随着Internet的急速普及,短信、微博、论坛等短文本形式的信息急剧增长,短文本的出现对文本研究带来了新挑战。由于短文本数据量异常庞大,数据中包含人们对社会现象的观点和态度,话题涉及政治、金融、文娱等众多领域,通过对这些类型各异的短文本进行研究,能够为话题跟踪与发现、互联网信息监管、流行语分析、舆情预警与舆论引导工作等领域提供相应解决方案。通过对现有短文本表示及分类现状总结分析,本文主要在短文本表示和分类两个方面展开深入研究,并取得如下研究成果:1.基于语义特征空间上下文的短文本表示学习方法针对传统短文本表示高维稀疏问题,提出基于语义特征空间上下文的短文本表示学习方法。该方法考虑到初始特征空间维度过高,首先从统计和深度学习两个角度综合计算词项间初始相似度,依据初始相似度并对词项进行聚类,利用聚类中心表示降维后的语义特征空间。然后,在聚类后形成的簇上结合词项上下文信息,设计三种相似度计算方法分别计算待表示文本中词项与特征空间中特征词的相似度,以形成文本映射矩阵从而对短文本进行表示学习。实验结果表明,该方法能较好地反映短文本的语义信息,能合理、有效地表示短文本。2.熵权约束稀疏表示的短文本分类算法与通过扩展短文本或利用附加信息规避短文本稀疏性问题的分类方法不同,提出熵权约束的稀疏表示短文本分类算法。构建稀疏表示字典,针对原始字典维度过高且存在冗余数据等问题,首先利用Word2vec工具将字典中的词表示成词向量形式,根据加权向量平均值对原始字典进行降维。其次,利用一种快速特征子集选择算法去除字典中不相关和冗余短文本,从而对字典进行过滤。再次,在过滤后的字典上,为目标函数设计熵权约束的稀疏表示方法,引入拉格朗日乘数法求得目标函数最优值,从而得到每个类的子空间。最后,在学习到的子空间下,计算待分类短文本与每个类中短文本距离,并根据三种分类规则对短文本进行分类。在真实数据集上设计实验进行验证,结果表明提出的方法能明显提高短文本分类效率,且优于现有短文本分类方法。