互联网的发展和网络信息的爆炸式增长,给人们带来更全面、及时信息的同时,也使得用户快速、精准地找到所需要的信息变得更加困难。信息抽取可从海量的数据中检索并返回给用户更加准确、简洁的信息,可以更好地满足用户的需求。文本分类可减少信息抽取的选择空间,并可针对不同的信息类型,制定不同的策略,是信息抽取不可或缺的前提步骤。现阶段,自然语言的句法和语义充分理解是文本分类和信息抽取的关键。人工提取自然语言的句法语义特征难度大、主观性较强,深度学习可自我学习特征,对自然语言理解具有可行性。利用深度学习的思想,可以主动学习文本的句法语义特征,进而学习到所抽取信息的深度特征,降低人工特征的制定的难度,并有较好的客观性。本文在文本分类和信息抽取问题上,借助CNN模型、LSTM模型以及传统句法树的优势,构造深度神经网络模型,挖掘文本的深度特征。本文主要工作有:在文本分类上,改进传统卷积神经网络模型(CNN),提出多粒度卷积核的方法,并联合长短时记忆人工神经网络模型(LSTM),借助两个模型的优势,提出一种新的学习模型(L-MFCNN),较好的对词序语义学习和深度特征挖掘。实验结果表明,该方法在没有制定繁琐的人工特征规则的条件下,仍然有较好的性能。在信息抽取上,本文用词向量表示问题句和候选信息句,并利用长短时记忆神经网络(LSTM)学习问题句和候选信息句的语义相关特征,再利用依存句法树分析选择句法结构特征,联合表层特征构造深度神经网络,学习问题、候选信息句和候选信息三者的内在关联信息。实验结果表明,该方法可自主学习到句子的句法语义特征,有较好的信息抽取性能。最后本文设计并实现了信息抽取的应用实例问答系统,将文中提出的深度神经网络的方法运用到问答系统中,通过实践验证,没有制定较复杂句法语义特征,问答系统具有较好的答案抽取性能。