近些年来,随着国内影视行业的不断发展、人们对于精神层面需求的增加以及新冠疫情等因素,中国电影产业呈现出新态势、新格局。如今,电影不仅是人们消遣的一种娱乐方式,更是成为一个国家文化软实力的最主要标志之一。由于网络行业的快速发展,大量电影评论网站及平台应运而生。在这些影评网站和平台上,都有很多关于某部电影的评论,而这些评论中则蕴含着观影者对影片的主观情感倾向,这对广大观众做出正确的电影观看决策具有一定的借鉴意义。鉴于传统的基于词典和机器学习的情感分析技术难以对海量的文字进行有效的处理,本文利用深度学习技术对影评进行深入的研究,主要包括以下两部分:第一,基于 Tree LSTM（Tree-structured Long Short-Term Memory）模型对电影评论做情感分类。该模型包含了句法句式,能够精确地对复杂语句进行解析,并能从相对遥远的结点中获得更多的信息。主要工作包含:利用爬虫技术搜集了2021年具有影响力的《你好,李焕英》电影的评价资料,经过数据的预处理,获得了高质量的影评情感分析语料;对关键词进行描述性统计以挖掘影评深层次信息;采用Borderline-SMOTE方法处理数据不平衡问题;通过Python的第三方模块SnowNLP结合人工标注的方式来进行情感标注;基于LDA进行好评集与差评集的主题分析;使用GloVe方法训练并获取适合电影领域的词向量。通过与SVM、LSTM、Bi-LSTM等模型进行实验对比,Tree LSTM模型在情感分类中效果显著,实验表明该模型适用于电影领域。第二,为了进一步优化模型效果,解决Tree LSTM模型忽略句子表达的不同侧重点这一问题,本文提出一种新的方法Attention-Tree LSTM,该方法使用Tree LSTM模型抽取语义,对每个单词进行定位加权,再利用注意力机制来研究被抽取的语义特征所表现出的重点。为进一步验证模型的性能,本文采用数据量更大的公开数据集。在数据集处理方面,根据评分将评论数据分为很差、较差、一般、推荐、力荐五类。在情感五分类实验中,Attention-Tree LSTM模型的F1值可达到0.91372,比Tree LSTM模型的F1值高0.635%,从其余评价指标来看也均优于其他对比模型,实验表明该模型对电影评论有较高的分类能力。