近年来,随着电脑硬件和互联网社会的快速发展,人们接收并创造的信息体量也呈现指数级增长,极大的促进了深度学习技术的发展,带来了新一波的人工智能浪潮。在这波发展中,自然语言处理成为了人工智能领域中的一个重点研究方向,旨在研究人机之间用自然语言进行有效通信的理论和方法。用自然语言与计算机进行通信,有着十分重要的实际应用意义,也有着革命性的理论意义。现代常用于文本分类的深度学习算法有循环神经网络(RNN)及其变种的网络模型、卷积神经网络(CNN)及其变种的网络模型,相比于传统的机器学习方法具有更好的性能与效果,但现有的卷积神经网络模型并没有利用好人类积累了多年的海量知识,同时对于同一句子内部的词与词之间的内在联系和依赖关系的挖掘也不够充分。本文针对卷积神经网络在文本分类任务上存在的这些不足之处,提出了两种面向不同任务的改进后的新模型。首先研究并设计了一种结合情感词典的卷积神经网络模型,并用来处理文本的情感分类任务。首先详细介绍了经典的文本分类方法相关概念和知识,其次介绍了在处理中文文本数据时与英文文本数据的不同之处以及难点。针对情感分类任务中对人类先验知识运用不足的缺陷,将情感词典与卷积神经网络模型相结合,提出了一种新的用于中文文本情感分类的模型,详细阐述了其基本思想,并使用大量真实数据集验证了模型的有效性和优越性。其次研究并改进了一种结合注意力机制的卷积神经网络模型,并用来处理文本的多分类任务。首先详细介绍了注意力机制的相关概念与原理,其次分析了现有的深度学习模型在处理中文文本多分类问题时的不足。本文使用注意力机制改进优化了卷积神经网络模型,使其能够更好的捕捉句子所表示的意义与特征,优化了分类效果,并用实验验证了算法的有效性和优越性。