随着互联网技术的快速发展,每天都会产生海量的文本数据。文本分类作为自然语言处理和网络信息挖掘的基础,在文本信息处理中有着重要地位。人工文本分类方法和传统的机器学习文本分类方法难以满足目前对文本分类效率和精度的要求。随着深度学习在自然语言处理中的应用,深度学习方法为文本分类问题提供了新的解决途径。本文在研究总结文本向量表示技术和深度学习模型卷积神经网络原理的基础上,对运用卷积神经网络模型解决文本分类问题做了深入的研究。针对文本分类中数据稀疏编码维度高、携带信息少的问题,使用分布式词向量表示方法将文本数据映射到低维向量空间获得语法语义丰富的词向量表示。针对预训练词向量产生的样本噪声问题,通过自训练词向量进行袋外词替换有效减少分类样本噪声。针对卷积神经网络适用于提取局部特征,难以提取文本特征之间的非局部关系和语义信息的问题,对卷积神经网络进行了合理改进:将普通卷积结构和self Attention机制结合构建Attention CNN结构,其中普通卷积结构用于获取特征局部状态,Attention机制获取特征全局状态,为模型提取语句级分类特征提供保障。在上述Attention CNN结构的基础上构建了可用于多任务的A-CNN文本分类模型,并使用监督方法预训练模型参数。最后,通过实验验证了Attention CNN结构的有效性,并使用A-CNN模型分别在情感分析、问题分类和问题答案选择等任务数据集上进行了实验和对比分析。实验结果表明,A-CNN模型在上述三个文本分类任务中比参与对比模型的最高精度分别提高了1.9%、4.3%、2.1%;A-CNN模型适用于多种文本分类任务,具有较高分类的精度和较强的通用性。