随着互联网与多媒体技术的不断发展,大量的文本数据不断更新交替。文本分类作为分析和处理大量文本数据的关键技术得以快速发展与应用。文本分类任务具体又可分为主题分类、问题分类和情感分析等。每一种分类有其各自的分类基准与特性,所以很难找到一种方法能通用的处理所有类型的文本分类问题。很多已有的传统的文本分类方法忽略了词语之间的关联关系,没有充分地提取隐藏在文本上下文中的语义信息。深度学习已经被广泛应用于自然语言处理领域的众多领域。对于自然语言这样的时序序列来说,深度神经网络模型有其独特优势。本文在传统文本特征提取和分类方法的基础上,深入研究了深度神经网络模型在文本分类任务中的应用,提出结合卷积层(Convolutional layer),注意力机制(Attention Mechanism)和长短时记忆网络(Long-short Term Memory,LSTM)的神经网络结构。针对以上问题,本文具体工作如下:(1)对词嵌入技术与卷积操作展开研究。词嵌入技术能够通过神经网络将自然语言中的单词映射到一个低维度的实数向量,有效避免了传统词向量缺乏上下文语义信息的不足。之后加入的卷积层能够平行提取语义特征,降低数据向量维度,减少后续结构的输入参数。(2)在LSTM的序列信息编码解码模型基础上,提出通过注意力机制与双向LSTM模型相结合的策略,解决文本信息特征提取的问题,进一步提升分类模型的性能。融合注意力机制的双向LSTM模型对每一时刻的状态加以不同的权重,能够在保留有效信息的基础的同时,最大程度减少信息的冗余,通过优化文本特征向量提升文本分类的效果。(3)为了验证本文提出的深度学习模型的有效性,在7个通用的标准数据集上进行了对比试验。实验结果表明,针对以上改进方法设计的模型相对于原有模型均有一定提高。