我国的经济和科技发展日新月异,人们获取财经类信息的方式也逐渐由线下的各类报纸与杂志逐渐转为手机、电脑等媒介里的线上电子刊物,财经类的相关信息呈指数级大小出现在网络中。就中文财经文本而言,因其具有专业性质强、词义模糊、表达方式多样等特点,故在特征提取与文本分类方面具有较大的挑战。如何更加准确的对这些财经信息进一步分类,使用户更加快速地提取自己所需的内容则是本文的研究目标。同时,随着深度学习思想不断走向壮大、成熟,其在图像、语音、文本等领域都发挥了极佳的应用效果。而对于文本处理任务来说,深度学习采用的线性与非线性结合的方式能够对文本特征进行更准确地提取。故本文将利用深度学习的相关算法实现对财经信息分类,并通过分析现有的文本分类的算法,提出改进型财经文本分类方法,具体内容如下:（1）针对财经文本在上游任务中易遇到的向量化表现力不足的问题,本文研究了静态与动态文本向量化方式。通过实验对比了各种向量化方法的实际效果,最终选择知识增强语义表示模型作为本文的上游模型,并通过微调以及提高短语嵌入时的权重等方式对模型进行优化。（2）为了提高财经文本分类准确率,本文研究了普通的机器学习算法与神经网络算法对分类效果的影响情况,并通过上游模型与下游模型的融合确定了本文分类算法框架。（3）针对所选的算法框架中激活函数容易产生“Dead Relu”而造成部分神经元无法更新的情况,本文采用Mish算法取代原有的激活函数,在更多的神经元得到激活的同时使其梯度更加平滑。（4）为了增强财经文本上下文的联系,本文提出使用组合池化代替最大池化,弥补了最大池化只对重点的关注而缺少细节把控的问题。此外,本文利用双向门循环单元构建训练模块并嵌入深层金字塔卷积神经网络中,进一步提高了对财经文本的分类准确率,使其达到94.36%。