MOOC（Massive Open Online Course）作为一种大规模开放在线课程为广大学习者提供了免费教育资源和完整的学习体验。学习者在学习过程中,经常提出对某一门课程、学习平台和授课教师的看法等文本评论数据。学习者的反馈评论可能会帮助授课教师理解学习者的学习行为,同时也能为授课教师提供有意义的见解和为MOOC平台管理者提供管理思路。本文提出了基于改进残差网络（Improved Residual Network,IRes Net）的MOOC评论情感分析模型,集成了CNN和残差网络的特征,以及一种基于神经网络的新框架,用以从MOOC评论中识别方面情感。框架采用多注意机制来捕获具有长程依赖的情感特征,提高了对无关信息的健壮性。以上两种方法的运用将一步拓展基于神经网络的情感分析。本文主要研究内容如下:（1）提出基于改进残差网络的MOOC评论情感分析模型。通过Bi LSTM和CNN充分提取了文本前后两个方法的上下文信息以及单词本身的局部特征,在模型优化上引入了跳跃连接,跳跃连接将前层的输出加到后层的输出上,可以防止模型由于多层反向求导造成梯度消失或爆炸。又将浅层特征与深层特征进行了结合,而浅层的网络注重细节信息的提取,而深层网络主要关注抽象特征的总结,这样可以避免浅层重要的特征随着网络加深而被忽略。模型从多个方面对文本信息进行了有效提取,在3个数据集上的情感分析实验表明,本文提出的方法都取得较好的结果,整体上优于对比的其他方法。（2）基于注意力机制对MOOC评论情感分析进行优化。模型首先利用前向和后向的LSTM提取了两个方面的单词序列的上下文信息,接下来引入了位置加权记记模块,对不同位置的文本信息赋予不同的注意力,以便模型可以提取到关键的方面信息,并忽略次要信息的干扰。在3个数据集上的对比实验表明,本文提出的模型在准确率和方法稳定性上均取得了最优的结果。文中对注意力层数也进行了分析,结果表明,注意力层数并不与模型性能正相关。不是越多就越好,并且对于不同数据集,最佳注意力的层数也不是一个定值。