随着现代信息科学技术的发展,互联网用户数量的大幅持续增长,对海量数据的处理是现在对于数据研究的热点,而人工神经网络(Artificial Neural Network,ANN)在大数据的筛选处理方面起到了极为关键的作用。人工神经网络在计算机视觉、机器翻译、自动驾驶等领域已成功地解决了许多困扰人们多年的实际问题,因而人工神经网络也越来越多的被应用到自然语言处理(Natural Language Processing,NLP)中的文本分类问题上,这是目前自然语言处理的一个热点以及难点。使用人工神经网络不仅可以快速高效的处理海量数据,并且还在一定程度上提高了处理数据的精确性。然而英文与中文在字符级以及词级上存在许多的差异,相比较于英文,中文数量在字符级以及词级上都要大于英文数量,中文文本分类技术目前仍然存在处理速度,精确率以及分词方面的问题。本文提取了由新浪新闻数据整理成的THUCNews的数据集中的部分内容用于文本分类。先是提出了一种基于字符级的词嵌入矩阵,每个字的向量维度只有13维,通过实验对比发现本文提出的基于字符级的词向量比通过word2vec训练的词向量具有更为优秀的分类效果。还设计了一种塔型的三层双向基于LSTM(Long Short-Term Memory)的网络结构,再连接上3层的DNN(Deep Neural Networks)网络组成的全连接层,通过实验对比发现本文所设计的网络模型所达到的效果优于Text CNN网络。在卷积神经网络方面,本文针对卷积核对于边缘信息的忽略问题提出了一种权重补偿方案并推广于更高维度,针对传统的最大池化以及平均池化所造成的错误提取信息问题提出了一种优化的池化结构,通过实验对比本文设计的优化池化在训练收敛速度,分类效果方面都要优于最大池化。另外,还设计了一种基于一维卷积的五路并联连接的卷积神经网络,通过实验验证与分析,本文所设计的并联卷积神经网络所达到的效果优于Text CNN网络结构。最后设计了一种CNN(Convolutional Neural Networks)与RNN(Recurrent Neural Network)结合的CRNN(Convolutional Recurrent Neural Networks)网络,通过实验验证与分析,对文本分类效果同样优于Text CNN网络结构。