随着互联网的快速发展,社交平台的出现在便利了用户沟通与交流的同时也造成了广告、脏话等不良信息的产生与传播。传统的机器学习方法或神经网络对于检测具有显著敏感词汇的垃圾评论文本具有一定的成效,但是由于中文汉字的复杂性以及网络书写的随意性,用户会使用相对不规范不敏感的变体词汇来代替敏感词汇以逃避对垃圾评论的检测。由于变体词通常是某种隐喻,不再具有汉字表面的字词含义,会导致常规检测方法的失效,所以如何准确地识别变体词汇,做到对垃圾评论的有效检测与过滤就变得尤为重要。针对以上问题和挑战,本文在深入研究与分析中文文本表示方法、垃圾评论过滤方法与联合上下文信息文本分类方法的基础上,围绕中文短文本垃圾评论过滤的方法进行研究。首先针对垃圾评论中常见的变体字特征,提出了多文本特征联合嵌入的垃圾评论过滤模型,该模型从读音与字形的角度去捕捉敏感词的主体特征从而应对变体词多种多样的变体形式,在保证模型正确识别垃圾评论的同时减少对正常评论的误判。之后为了进一步提升垃圾评论的过滤效果,提出了联合用户历史评论与多文本特征的垃圾评论过滤模型,将评论文本上下文信息作为额外信息进行补充利用,增加了特征信息的多样性。为了验证两种算法的有效性,本文在Scratch作品评论数据集与商品评论数据集上进行了多组对比实验,实验的结果充分证明了本文所提模型的有效性。最后,基于上述模型和方法设计实现了 Scratch作品评论管理系统,配合评论管理机制,有效的遏制了垃圾评论的出现,为平台用户提供了 一个积极健康的学习氛围。