近年来,随着深度学习和预训练技术的不断进步,自然语言处理的研究取得了优异成绩。文本表示和短文本分类对自然语言处理领域中的自动翻译、文本摘要、情感分析等任务产生了重要的影响。由于自然语言具有复杂性、多样性等特点,使得目前文本表示存在“维数灾难”、“向量高度稀疏”和“浅层语义”等问题,从而导致文本向量不能充分表达出文本的语义信息。由于短文本具有数据量少、数据特征稀疏等特点,导致目前短文本分类的效果不理想。文本语义表示和短文本分类仍然是目前研究的重点和难点。针对上述问题,本文结合主题模型、词嵌入和文本分类等方法展开以下方面的研究:（1）提出了一种结合LDA主题模型和Word2vec模型的文本语义增强模型（Semantic to vector,Sem2vec）。Sem2vec模型在Word2vec模型的输入层前面增加主题嵌入层,首先利用LDA主题模型获得单词的主题分布,计算单词与其上下文词的主题相似度,作为主题语义信息融入到词向量的训练中。然后得到主题权重嵌入词向量,来代替one-hot向量输入至Sem2vec模型。在目标函数的约束下,得到模型的最优参数,最终输出增强的语义词向量表示,并进一步得到文本的语义增强表示。为了验证Sem2vec模型的有效性,在搜狗、清华和20新闻组数据集上与经典模型进行实验比较。在语义相似度和文本分类两个任务上的结果表明,Sem2vec模型在语义相似度计算方面更为准确,在textcnn、Bi LSTM和Transformer文本分类算法上的分类结果,较经典模型可以提升0.58%-3.5%,同时提升了时间性能。（2）提出了一种基于BTM主题模型的有监督双词主题模型（Supervised Biterm Topic Model,SBTM）,并将其应用于短文本分类任务中。该模型在BTM主题模型的基础上,引入主题-类别分布参数,由此来识别主题与类别间的语义关系,并准确地将主题与类别进行映射,完成文档的主题分类。通过主题分类,更精确地计算出单词-主题的概率,从而使短文本分类更加准确。为了验证SBTM模型的有效性,在搜狗新闻标题、清华新闻标题和亚马逊评论短文本数据集上与经典模型进行实验比较。实验结果表明,SBTM主题模型用于短文本分类时,能够建立起主题与类别的准确映射,且分类结果较经典模型可以提升1.3%-10.2%。