随着互联网的快速发展,以微信、QQ、贴吧、博客、微博等为主要代表的新型社交媒介的使用,使人类活动已经离不开虚拟世界网络环境。互联网短文作为这些社交媒介产生数据的主要表现形式,如何从其中获取有效信息且掌控其信息热点是自然语言处理研究的重点内容。而文本分类技术作为信息获取的主要方式之一,在文本信息处理中有着重要的地位。在过去几年中,深度学习在图像处理、语音识别方面取得了很好效果,但在文本信息处理方面应用较少。因此,本文以互联网短文分类为应用背景,使用深度学习的卷积神经网络方法进行了分类研究。具体研究内容如下:(1)针对中文互联网短文特点,提出了一种基于卷积神经网络的互联网短文分类方法,该方法由数据预处理、特征处理、分类识别等模块组成。首先在数据预处理模块中,本文对分词、去噪声进行了优化,并使用Word2vec词向量和TF-IDF值构造文本特征矩阵。接着在特征处理模块中,使用了不同池化的不同类型的卷积神经网络处理文本低级特征。最后在分类识别模块中,使用softmax函数进行了文本分类识别操作。通过实验表明,使用Word2vec词向量和TF-IDF值末尾叠加方式构造文本特征矩阵,在最大池化下的动态卷积神经网络对该矩阵进行处理,可以得到比较好的互联网短文分类效果。(2)使用上述卷积神经网络的分类方法与KNN、SVM、DBN等文本分类方法进行互联网短文的两级分类实验。在建立一个有效的类别体系之后,抓取整理符合实验要求的数据。在相同的数据条件下,通过互联网短文本的两级分类实验,得出了本文的卷积神经网络的分类方法能够有效性的进行互联短文分类,相比其他方法分类效果更加稳定性。