在电商领域,商品的评论信息无论对于消费者还是营销者都具有非常重要的参考意义,随着电商平台技术的发展,评论信息规模不断扩大的同时,信息类别也呈现多样化的特征,图文混合数据已成为电商评论的重要表现形式。但是在中文评论领域,目前没有一个比较成熟的公开数据集来满足深度学习网络模型训练要求,另外图像和文本的数据挖掘方法已经比较成熟,而如何将两种单模态数据挖掘方法进行有效融合是当前研究的热点问题。为了能够挖掘到电商图文评论的潜在关系、模式和规律,本文主要进行了以下的研究:首先分析了图文混合数据挖掘的可行性并设计了图文混合数据挖掘的基本流程,然后在此基础上构建了电商图文评论数据挖掘模型,模型主要分为图文评论数据的获取、预处理、特征抽取以及融合四个阶段。获取和预处理阶段分别对图文评论数据进行了爬取和筛选,针对数据规模较小、类别不平衡的问题,提出了交叉式数据增广方法,经过不同比例的增广后,有效图文评论数据达到148470条,为后续的信息处理奠定了数据基础。特征抽取和融合阶段实现了电商图文评论信息的融合,提出了三种不同的融合方案:基于自编码器的数据层融合方案、基于相关系数的特征层融合方案以及基于集成学习的决策层融合方案,其中基于自编码的数据层融合方案,通过引入自编码网络结构,构建损失函数来实现数据层的图文融合。基于相关系数的特征层融合方案计算图文特征之间的相关系数来获取相关性更强的图文抽象信息,实现了图文信息在特征层更加有效的融合。基于集成学习的决策层融合方案通过对不同抽取模型和不同融合模型结果的两次集成,获取最优的决策结果。最后,为了验证融合模型的有效性设计了两组对比实验,第一组对比实验以情感分析为实验任务,实验结果显示基于相关系数的特征层融合方案的准确率最高,达到了97.4%,相对于单文本和单图像情况下准确率分别提高了3.2%和67%,第二组对比实验以商品类型分类为实验任务,实验结果显示基于相关系数的特征层融合方案的准确率最高,达到96.3%,相对比单文本和单图像情况下准确率分别提高了2.6%和46%,两组实验结果验证了融合模型的有效性。