随着大数据时代的到来,互联网中越来越多的数据蕴涵着巨大的价值。以文本为代表的非结构化数据在提供丰富内容、表达情感、共享经验的同时,也为建立用户画像、舆情检测等各类数据挖掘工作提供了大量宝贵的数据资源。文本分类作为自然语言处理领域中的基础任务,不仅有助于信息的自动选择、处理,加快信息化流程,而且服务于情感分析、自动摘要、人机对话等复杂任务,可以为用户提供智能、个性化的服务。根据训练数据的标注情况,文本分类可以分为监督文本分类和半监督文本分类。其中半监督文本分类的研究还十分缺乏。因此,进一步提高文本分类的准确率、解决半监督场景下的文本分类是目前自然语言处理领域研究的热点。在监督文本分类任务中,充足的标记样本可以用来训练复杂模型从而达到更优的性能。相比浅层学习模型,神经网络模型具有强大的特征提取和复杂问题建模能力。传统的文本表示无法充分训练神经网络,而利用携带语义信息的词向量可以将文本表示成二维网格型数据,适合于卷积网络的处理。加之卷积擅长处理空间关系的特点使得其可以自动地提取上下文及结构特征,因此卷积神经网络的使用大幅度地提高了文本分类的性能。在此基础上,本文提出针对不同长度的文本使用不同结构的神经网络进行特征提取,进一步提高了分类的准确率。而在半监督文本分类任务中,标记数据的缺乏导致强大的监督分类模型常常出现欠拟合或过拟合的现象。协同训练算法从差异化的特征空间角度出发,借助监督分类器的优势,取得了不错的成果。然而,寻找同时满足充分冗余和条件独立两个假设条件的双视图是文本协同训练的难点,故现有研究大多仅限于一些特殊场景下双视图的构造。因此,为了提高模型的普适性,本文提出从全局(文档“摘要”)和细节(特征词)的角度分别进行文本表示,构建基于不同粒度的协同训练双视图。在此基础上,使用多次下采样方法进一步提高不平衡数据集的半监督分类性能。实验结果表明,本文提出的基于全局/细节双视图的协同训练模型在半监督文本分类任务上性能更优。