恶意评论识别本质上是一个文本分类的问题。相较传统的文本分类，恶意评论往往伴随着表达方式更微妙且随意的特点，使得传统文本分类网络识别精度不高、识别效果不好，无法达到需求。为解决上述问题，本文提出一种结合交叉注意力机制的双通道文本分类网络（Two-channel text classification network combined with cross-attention mechanism, CA2TC）。该模型同时使用图卷积神经网络（Graph Convolutional Network,GCN）和双向长短期记忆网络（Bidirectional Long Short-term Memory, BiLSTM）获得两种不同的文本上下文特征信息，两种不同的特征信息可以从多个角度更好表达文本的含义。提出的交叉注意力机制对双通道提取的文本特征进行精炼并融合。最后将精炼特征拼接后经全连接层再送入softmax进行分类。本文采用微博收集的恶意评论数据对提出的方法进行实验验证。实验结果表明，与一些主流的分类模型相比，提出的模型识别效果更优，分类精度较主流分类模型相比提高1.06%至2.89%。CA2TC模型能够充分提取恶意评论文本特征，从而有效识别恶意评论。