随着网络通信技术的飞速发展,互联网承载的文本信息呈现出爆炸式增长的趋势,面对这些数据量庞大且杂乱无章的文本信息,如何有效的分类和筛选,进而提取其中有价值的信息是当前文本挖掘领域研究的热点问题。近年来,深度学习技术在文本分类领域的优势愈显突出。相比于传统机器学习方法,基于深度学习的文本分类方式在处理海量数据时省去了复杂的特征提取过程,能够高效地解决问题,展现出广泛的应用前景与价值。本文以深度学习为基础,对基于文本大数据的分类算法进行研究,主要工作如下:（1）针对卷积神经网络（Convolutional Neural Network,CNN）在获取文本中上下文依赖关系方面的不足,提出一种结合卷积神经网络和长短时记忆网络（Long Short-Term Memory,LSTM）的文本分类模型MLCNN（Merge-LSTM-CNN）。将LSTM在长文本序列中有效控制历史信息特征的优势与CNN通过卷积操作提取局部特征相结合,利用LSTM和CNN分别对文本进行处理,在提取局部特征同时兼顾上下文语义。考虑到网络层数的增加虽然有助于提高分类效果却带来特征丢失的问题,将嵌入层输出与多个卷积层输出进行融合,减少了原始特征的损失。最后,使用文本数据集对模型进行评估,通过实验结果证明了MLCNN模型具有良好的分类性能。（2）针对关键信息特征往往在文本中分布稀疏不均的问题,提出一种基于自注意力机制（Self-Attention）的文本分类模型BLSA-C（BLSTM-Self-Attention-CNN）。将文本分别用两种词向量进行表示,作为模型的双通道输入;使用双向长短时记忆网络（Bi-directional LSTM,BLSTM）同时获取文本的正向和反向特征,以提供完整的过去及未来上下文信息;采用自注意力机制学习单词的位置信息并赋予不同权重,以得到重要特征的概率分布;利用CNN进一步提取更精确的语义特征。通过对比实验的结果表明,BLSA-C模型具有更高的分类准确率。