多数基于深度学习的情感分类方法过于追求数据驱动,忽视了文本情感特征对于情感分类的影响;而一些融合情感特征的情感分类方法仅利用了部分相关特征,使得其他情感特征并没有得到充分利用.针对这一现象,提出了一种融合词级特征和句级特征的在线评论情感分类模型.首先利用构建的情感元素词典获取情感词、否定词等多种特征词,然后通过多维特征向量表示将多种文本特征转化为词级特征向量和句级特征向量,最后将这些特征向量融入LSTM网络模型完成情感分类,整个模型简称为　MF-LSTM(sentiment　classification　model　based　on　multidimensional　features　and　LSTM).MF-LSTM　充分利用　了评论文本的情感先验知识,情感分类能力得到显著提升.在3个中文评论数据集上的实验结果表明MF-LSTM模型相比其他深度学习方法具有更好的分类效果,并且在样本数据不平衡的情况下也能具有较好的鲁棒性.