随着互联网科技在人类日常生活的普及和提升,出现了大量的社交媒体、移动智能等产业,人类的生活和思维方式也发生了巨大改变。其中,文本分类技术作为帮助人们高效、快捷地管理和使用文本数据的关键技术之一,一直以来都是自然语言处理领域研究热点。本文对基于词向量表示的深度学习方法解决文本分类问题进行了研究,系统总结了常用词向量表示技术和深度学习模型,提出了两种分类方法。主要研究工作如下:1、针对以文本词向量作为输入的神经网络无法充分利用文本语义结构特征信息以及难以有效表示每个词语在句子中的重要程度等问题,本文提出一种基于自注意力机制的双向分层语义模型。通过双层双向LSTM将文本词向量进行训练得到文本上下文表示;其次通过自注意力机制从多个视角有效获取每个词语在句子中的重要程度,减少噪音词语权重并获取更多隐藏信息,进而提高了分类器的性能。2、针对主流模型缺乏对文本语义信息和主题特征的有效关注以及仅使用词语级注意力机制对词加权生成文本表示会损失大量信息等问题,提出一种结合主题增强的卷积神经网络和局部化双向长短记忆网络的双通道模型用于文本分类任务中。该模型通过多尺度并行CNN提取离散主题短语序列的特征表示同时利用一个局部化分层语义网络获取句子内部短语之间的相互联系,解决长距离依赖问题。通过短语注意力机制有效突出关键短语以优化特征提取过程。最终将得到主题特征和文本特征进行特征融合,并将其作为分类器的输入,减少了特征向量提取过程中的信息丢失和信息冗余。