当今许多Web服务提供商都将其业务服务发布在云端,这导致了大量的且功能相似的Web服务数量呈井喷式增长,使Web服务发现愈发具有挑战性。在现有的这些服务注册中心中,Web服务通常用Web服务描述语言或简单的自然语言文本描述。如何准确、高效的检索到符合用户需求的Web服务已经成为当前研究的热点问题。对具有相似功能的Web服务进行分类是促进Web服务发现的有效途径。早期的服务分类方法大多是基于传统的机器学习模型,需要进行棘手的特征工程,特征表示能力弱,并且分类方法忽略了 Web服务类别的层级结构,只适用于单层类别分类。即使目前的基于深度学习模型的服务分类方法避免了这种棘手的特征工程,且具有了较强的特征表示能力,但依然没有解决层次化的Web服务分类问题。基于目前Web服务数量日益庞大,简单的一次分类得到的推荐结果规模依然庞大,已不能满足服务请求者通过一次分类就能快速定位到所需服务的需求。基于该问题,本文提出了一种层次化分类方式去快速缩小服务请求者的查找范围,极大的降低了服务发现时间。该方法首次将一种可以提取到文本句法结构的神经元有序的长短期记忆神经网络（ONLSTM）应用在了服务分类领域,并结合层次化微调和父类别嵌入技术充分挖掘了类别层次之间的约束关系。为了证明本文方法的有效性,本文构建了一个包含10184条Web服务且具有两层类别的数据集并在此之上对比了 13个分类模型的分类准确率。实验结果表明,与其它分类模型相比,本文提出的模型具有最佳的分类效果。