短文本分类就是在给定的分类体系下,让计算机根据给定文本的内容,将其判别为事先确定的若干个文本类别中的某一类或者几类的过程。短文本分类在冗余过滤、智能检索、构建索引、文本过滤等方面有重要的作用。可以方便用户快速、高效的解决问题。正因为人们对短文本分类越来越大的需求,所以如何更高效的提高短文本分类精度变成为当前面临的一大挑战。最近几年随着BERT模型的出现,NLP任务中很多其他模型解决不了的问题都得以解决,这势必对NLP发展研究起到了积极作用。BERT模型的极具灵活性,可以应对各种各样的语料库,并且为语料库提供巨大结果。BERT模型非常流行,不仅仅是在NLP领域,在其他行业领域也是深受研究者欢迎。BERT模型已经成为公认的最具影响力的预训练模型。本文通过对短文本分类相关技术以及其他知识研究,综合分析了短文本分类研究目前的难点与热点问题,深层次的分析提高分类精确度的分析。BERT模型是最近几年流行起来的机器学习模型,目前属于领先行列。它可以同时进行多种操作,例如无监督的文本分类、有监督的文本分类等。将BERT模型应用在自然语言处理中自然也是可行的。本文研究内容主要包括以下方面:1)针对目前短文本特征提取困难、短文本关键信息少、模型训练时间长、训练模型泛化能力差等问题,本文提出基于BERT模型的短文本分类技术。该模型可以系统的完成短文本分类任务,将处理完成的文本信息直接输出BERT模型,不需要进行其他操作,就可以对短文本进行分类,更加方便迅捷的实现短文本分类。本文通过和其他分类模型在相同数据集上的表现进行比对,证实BERT模型对短文本分类研究有所提高。2)针对BERT模型对短文本分类存在的不足,本文分析了支持向量机在短文本分类任务中的特性,将BERT模型和支持向量机分类器进行融合,构建S-BERT模型进一步对短文本分类精度提升,从而解决BERT模型对短文本分类任务的不足。本文在公开数据集上,通过S-BERT模型和其他分类模型（包括BERT模型）在相同数据集上进行实验对比,最终得出对BERT模型的改进确实可以提高原有BERT模型的分类精度。