随着Internet的迅速发展,网络中的文本信息也在持续增加。文本信息作为最常见的表达形式,自然成为研究热点。而文本分类则是自然语言处理中的一项重要任务,它可以有效地识别和整合信息并实现自动分类。文本分类技术作为数据挖掘的基础技术,已广泛应用于信息检索,信息管理,语义理解等领域,并取得了良好的效果。而医疗领域作为文本分类的特定领域,由于医疗文本中可能包含较多复杂且专业的医学词汇,使得数据稀疏和维度变高。从而导致医疗领域中文本分类存在较大的困难和挑战。其中医生对患者的临床诊断,在线诊断和患者病历的活动过程,都是重要的医疗文本资源。随着互联网技术的发展以及电子病历的普及,已经积累了大量的电子病历和相关记录,为医疗领域的信息挖掘和分类提供了宝贵的数据资源。近年来,深度学习已在自然语言处理中得到广泛应用,并取得了突破性的成就。递归神经网络（RNN）和卷积神经网络（CNN）已成为自然语言处理中的两个主流模型。目前,医疗文本的分类任务分为不同类别,例如电子病历的医疗文本分类,医学文献分类等。由于RNN在自然语言处理中的出色表现以及在阅读理解和关系推理方面的良好成就,本文主要研究和比较与RNN相关的网络模型。在文本分类模型中,上下文相关表示的质量直接影响后续的自然语言处理任务,丰富的上下文相关表示对文本分类的影响也更加明显。针对LSTM（长短期记忆网络）只能获取单向信息的缺点,本文使用BI-LSTM（双向长短期记忆网络）来获取文本的上下文相关表示,并对传统的BI-LSTM进行了改进。本文提出一种新型神经网络模型,用于医疗文本分类。该模型将医疗文本分为句子并构造与上下文相关的句子来表示。在句子的上下文表示中,改进的BI-LSTM用于获取句子的上下文特征,而注意力机制用于获取具有重要词权重的上下文表示。即,BI-LSTM用于提取特征并包含句子信息,注意力机制用于获得不同的句子权重,使用改进的BI-LSTM对句子进行编码,然后使用注意力机制对句子进行解码。最后,通过Soft Max分类器获得医疗文本类别并输出。为验证本文提出及构建的模型的有效性,本文选择在THUCNews、online＿shopping＿10＿cats、SogouCA、waimai＿10k、simplifyweibo＿4＿moods这五个公开数据集以及本文在“好大夫”网站爬取的患者问诊输入数据集进行实验对比分析。实验结果表明,改进的LSTM+Attention在THUCNews数据集上的文本分类准确率相对于HAN、Text-CNN、Text-RNN三类文本分类模型有较大地提升,相对于效果最好的Text-CNN基线模型,其分类准确率由92%提升到93.13%,在online＿shopping＿10＿cats数据集上分类准确率由87.42%提升到90.99%,同时在本文构建的医疗数据集上分类准确率由84.37%提升到91.35%。同时为验证该分类模型是否具有较好的泛化性能,本文又在混合数据集上进行测试实验。实验结果表明,改进的LSTM+Attention在混合数据集上的文本分类准确率相对于效果最好的HAN基线模型,其分类准确率由85.41%提升到92.54%。以上实验结果都证明了在与其他高级文本分类模型相比中,本文使用的模型用于文本分类取得的效果是最好的。本文的主要贡献如下:1.由于医疗文本中存在大量的复杂词和独特的句子表示形式,本文提出了一种新的医疗文本分类模型来解决此问题。2.通过增加两条LSTM逻辑行的交互传输来改进传统的BI-LSTM模型,以增强文本的交互性。3.分类模型引入注意力机制,通过多头机制获取和整合原始文本不同部分的重要信息,增强原始文本的可解释性。4.设计开发了基于深度学习的医疗分诊系统。