慕课（Massive Open Online Course,MOOC,大规模在线开放课程）是基于通信与互联网技术发展起来的一种新型教育模式。其相对于传统线下课程打破了时间和空间的束缚,降低了学习的门槛和成本,有利于教育资源的共享和传播。我国慕课自2013年开始起步,此后一直飞速发展,至2019年,国内慕课无论学习人次和课程数量都位于世界领先水平。然而慕课作为一种新型的教育模式,其建设方式尚处于探索之中,质量仍参差不齐。评论是学习者对慕课教学效果的直接反馈,因此,挖掘评论特征并分析评论情感,可以帮助慕课设计者更好的把握课程建设方向,对提高慕课质量具有重要意义。慕课评论的情感分析属于文本情感分析问题,文本情感分析主要有基于词典,基于机器学习和基于深度学习三种方法。后两种方法由于不需要预先构建人工词典,因此使用更为广泛。其中,SVM（Support Vector Machine,SVM）作为主要的机器学习分类算法之一,具有良好的泛化性和稳定性,在表现上常优于其他算法。然而,SVM的分类效果受惩罚系数C和核参数γ的影响较大,实际使用中一般采用网格搜索即通过一定的步长遍历所有可能参数来确定最优参数,该方法耗时长且精确度较低。因此,本文针对慕课评论情感分析问题,设计了GA（Genetic Algorithm,GA）优化的SVM即GA-SVM算法,主要包括浮点式编码方法、种群分组初始化方法、适应度函数及其验证集、选择函数、交叉变异算子的设计等。同时设计了适应度标定,启发式交叉等控制方法优化算法的收敛性。通过设计GA-SVM算法来提高慕课评论的分类效果。本文从中国大学MOOC平台上爬取慕课评论,对评论进行清洗与中文分词,使用Word2Vec构建词向量模型,同时,对评论进行特征词与主题挖掘。然后对清洗后的评论进行分组,平衡处理与人工筛查,使用已构建的词向量模型结合TF-IDF加权将评论向量化,构建实验样本集。在样本集上,本文首先实验了GA-SVM的验证集切分比,然后分别训练GA-SVM与其他传统分类模型如SVM、NB（Naive Bayesian,NB）、LR（Logistic Regression,LR）等,将所有模型进行比较。最终测得GA-SVM模型在慕课评论情感分类上的准确率、精确率、召回率、F1-score分别为90.26%、92.59%、94.33%、93.45%。实验结果表明GA-SVM总体上优于其他传统分类模型,在慕课评论情感分类上具有较高的准确率、精确率、召回率等,适合处理此类问题。