近年来,随着互联网的飞速发展,网络上产生了越来越多的数据,其中大部分数据为文本信息。面对这些海量的数据,如何利用机器学习技术从中挖掘出对用户有价值的信息一直是研究的热点,而自然语言处理中的文本分类技术使得人们分析、组织和管理大量文本信息成为可能。文本分类在情感分析、垃圾邮件检测、关系抽取和信息过滤等领域有着广泛的应用,因此,对文本分类技术的研究具有重要的研究意义和应用价值。本文研究了应用于文本分类中的常见深度学习模型,其中基于CNN的分类模型捕获文本的序列特征和全局信息能力较差,而基于RNN的分类模型在并行性和提取局部重要特征方面表现不佳,并且传统的静态词嵌入表征技术不能解决多义词的问题。针对上述存在的问题,本文的主要研究内容如下:(1)针对单一模型不能很好的建模文本数据的问题,本文提出了一种双向循环卷积神经网络(Bidirectional Recurrent Convolution Neural Network,BRCNN)的混合文本分类模型。首先,为了有效利用全局语料库的统计信息,使用预训练的Glo Ve词向量初始化词表示;为了捕获文本的上下文信息和全局特征,使用双向长短期记忆网络Bi LSTM处理文本词嵌入表示。之后利用卷积神经网络局部相关性和位置不变性的特点,将卷积操作作用于循环网络的隐藏层表示,来提取高层次抽象语义特征。在池化层中利用最大池化与均值池化操作来保留显著特征和整体语义信息。最后为了更好的利用浅层特征,将双向LSTM层的输出特征与池化层特征进行融合。在三个公开的英文文本分类数据集上的实验结果表明,所提出的BRCNN模型与传统的机器学习和单一神经网络模型相比,显著提升了文本分类的准确率。(2)针对传统词嵌入表示不能解决一词多义的问题,本文提出了一种基于预训练双向语言表征模型BERT与卷积神经网络相结合的文本分类模型BERT-CNN。首先,利用预训练的BERT模型获取单词的上下文向量表示,然后应用不同大小的卷积核提取类似n元语法的重要局部特征,使用最大池化操作保留文本序列中最显著的特征进行分类。针对BERT模型对输入序列长度限制的问题,提出了一种灵活的长文本截取处理方法,最大限度地保留了长文本的原始重要信息,这有助于提高分类的准确率。所提出的模型在六个公开的大规模文本数据集上进行实验,实验结果表明,提出的BERT-CNN模型与其他模型相比,能够显著且一致地提高文本分类的准确率。而且该方法只需要较少数据即可得到较好的实验结果,缩短了模型的训练时间。