随着“互联网+”与各行业的跨界融合,一大批“互联网+教育”的在线教育平台应运而生,如中国大学MOOC,网易云课堂和腾讯课堂等,这些平台提供了大量高效实用的课程,吸引了众多学生的参与。但在线教育平台存在着教学质量参次不齐、教学功能不完善等问题。而课程评论为学生对所学课程的综合评价,反映其对该课程的情感态度。因而,对课程评论进行挖掘分析,有助于分析和评估课程的质量,也有助于在线教育平台的建设与改进。课程评论中的负面评论占比较少,但尤为重要,其反映了学生在学习过程中遇到的问题以及对课程、教师和平台的意见,在帮助学生选课、改善教学方式和教学内容以及提高平台建设等方面具有重要的参考价值。基于此,本文关注于在线教育平台上课程的负面评论,通过对评论的正负倾向分类,识别出其中的负面评论,并对负面评论做主题挖掘,从而为教学内容、教学方式以及平台建设提供改进建议,提高课程的参与率和学生的学习积极性。由于在实际课程评论中正面评论远多于负面评论,即课程评论具有高度非平衡的特性,直接采用传统的分类模型,其分类效果难以保证。因此,如何针对这种高度非平衡的数据进行分析和挖掘,也是本文研究的重点。本文的主要工作包括:（1）收集中国大学MOOC和腾讯课堂上有关英语类课程的评论,并对其进行清洗,得到评论数据共21243条,其中正负面评论数据的比例达19:1,属高度非平衡的数据集。（2）使用过采样技术对数据进行采样处理,如SMOTE、Borderline-SMOTE1、Borderline-SMOTE2和ADASYN等,并结合传统机器学习分类模型,如支持向量机、朴素贝叶斯、决策树和随机森林等对课程评论进行正负倾向分类。同时使用代价敏感的焦点损失函数改进卷积神经网络,以对课程评论进行正负倾向分类。（3）利用非负矩阵分解主题模型对模型分类后的负面评论进行建模,以挖掘出在线课程学生负面评论的主题特征。（4）本文还提取了在线教学总结性评述文章中的负面评论,从教师的视角对在线课程的不足进行了分析和挖掘,使在线课程的负面评论研究更加全面和充分。本文研究成果体现在非平衡数据处理、负面评论的主题挖掘和英语类在线课程的不足。首先,在高度非平衡的文本数据中,基于焦点损失函数改进的卷积神经网络比传统的基于过采样技术的分类器对负面评论的识别效果更好。其次,对模型预测为负面的评论进行主题建模比未经正负倾向分类而直接对所有评论进行主题建模能更有效地挖掘出课程的不足。最后,英语类在线课程目前主要的不足有:多媒体教学功能不丰富、网络不稳定、未提供字幕或字幕与声音不同步、教师口语不地道、学生学习状况缺少反馈、线上参与互动较少等,这些反映出在线英语类课程的改进方向。