在这个互联网时代,信息呈现“爆发性”增长,文本是信息表达和传递的主要形式,进行文本分类可以让用户更好地筛选出特定领域的文本,从而可以更好地研究和利用文本本身的价值。文本分类方法有很多,随着技术的发展,在分类效果、分类速度和迁移性等方面都有了很大的进步,基于深度学习的文本分类方法也让文本分类技术有了进一步的发展。传统的文本分类方法主要存在以下不足:不能很好处理大样本数据、计算量大、处理大量数据时训练速度慢等,而基于深度学习的分类方法可以较好地处理大样本数据,因此本文采用深度学习中的卷积神经网络方法进行中文学术文献分类的研究。学术文献具有一定的规范性,其与传统的文本有一定的区别,因此将文本分类方法应用于学术文献的分类中需要考虑到这些区别。在学术文献分类领域,更好地进行自动分类可以减少文献管理者的工作量,使文献能够得到有效管理,现在出现了越来越多的线上图书馆、学术搜索引擎和开源期刊等线上学术资源,对文献进行自动分类,有利于线上学术资源系统的构建,有利于学者对学术资源的充分利用。论文的主要内容分为五大部分:第一部分主要介绍中文学术文献分类的研究情况;第二部分主要对卷积神经网络、注意力机制的相关概念进行描述,并概括了中文学术文献分类的流程;在第三部分,首先将卷积神经网络分类算法用于新闻文本得到分类结果,以及将其用于中文学术文献得到分类结果,两者之间有所区别,论文对两者的分类效果进行了比较,发现中文学术文献分类效果较差,并对原因进行了分析。其次,将卷积神经网络算法用于“标题”和“标题+关键词+摘要”两种数据集中,得到了不同的分类效果,可以看出用于“标题+关键词+摘要”的数据集中分类效果更优。再次,论文对比了基于字符和基于词的学术文献分类结果,发现基于字符的分类效果优于基于词的分类。论文第四部分是基于第三部分的研究,选择第三部分中分类效果较优的情况,将基于字符的卷积神经网络算法用于中文学术文献的“标题+关键词+摘要”数据集中,并在第四部分中加入注意力机制,验证加入注意力机制的分类效果,并且与第三章中的分类效果进行对比和分析。第五部分对本文进行总结,分析基于注意力机制和卷积神经网络的中文学术文献分类的过程和分类效果,总结研究的不足,并提出展望。