Con la rápida popularidad y el continuo desarrollo de las redes sociales, la comunicación e interacción de los usuarios a través de plataformas como microblogs y foros se ha vuelto cada vez más frecuente. Los datos de comentarios en estas plataformas reflejan las opiniones de los usuarios y las tendencias de sentimiento, y el análisis de sentimiento de los datos de comentarios se ha convertido en uno de los puntos calientes y dificultades en la investigación actual. En este artículo, proponemos un modelo BERT-ETextCNN-ELSTM (Codificador Bidireccional de Representaciones de Transformadores-Redes Neuronales Convolucionales Mejoradas-Memoria a Corto y Largo Plazo Mejorada) para el análisis de sentimiento. El modelo toma el texto después de la incrustación de palabras y el procesamiento del codificador BERT y lo alimenta a una capa CNN optimizada para operaciones convolucionales con el fin de extraer características locales del texto. Las características de la capa CNN luego se alimentan a la capa LSTM para modelar series temporales y capturar dependencias a largo plazo en el texto. Los resultados experimentales demostraron que en comparación con TextCNN (Redes Neuronales Convolucionales), LSTM (Memoria a Corto y Largo Plazo), TextCNN-LSTM (Redes Neuronales Convolucionales-Memoria a Corto y Largo Plazo) y BiLSTM-ATT (Red Neuronal de Memoria a Corto y Largo Plazo Bidireccional-Atención), el modelo propuesto en este artículo fue más efectivo en el análisis de sentimiento. En los datos experimentales, el modelo alcanzó un máximo de 0.89, 0.88 y 0.86 en términos de precisión, valor F1 y valor F1 macro promedio, respectivamente, en ambos conjuntos de datos, demostrando que el modelo propuesto en este artículo fue más efectivo en el análisis de sentimiento de datos de comentarios. El modelo propuesto logró un mejor rendimiento en la tarea de análisis de sentimiento de reseñas y superó significativamente a los otros modelos comparables.