文本分类是自然语言处理中一项基础而重要的任务。在网络信息急剧膨胀的今天,文本分类可以在一定程度上解决信息杂乱的问题,有利于信息的准确获取和应用。神经网络模型在解决文本分类问题上取得了很好的成果并被普遍采用,但缺乏训练数据仍是阻碍它们应用于许多实际场景的关键瓶颈。事实上,训练一个效果良好、泛化能力强大的文本分类模型通常需要百万级别的标记语料。而收集此类培训数据需要相关领域专家学者阅读数百万份文档,并使用领域知识对其进行仔细标记,这种做法消耗太大且难以实现。此外,研究者还经常面临仅有少量标注数据的情况。因此,如何有效利用无标注数据进行文本分类成为自然语言处理中的一个重要研究方向。针对弱监督学习在文本分类上的现状,本文尝试了基于“自编码器”和基于“协同训练”的弱监督文本分类方法。第一种思路提出了利用自编码器将无标签数据进行学习,在训练阶段通过自编码器的隐层神经元“竞争”的方法来引导自编码器更多地关注对文本分类更有指引作用的特征,在总体上该模型可以学习对于分类有意义的文本特征。第二种思路对应了模型提出了基于协同训练的弱监督文本分类思想,并提出了通过协同模型和协同规则两种协同训练的方法,在标注数据缺少时,提高文本分类任务的准确率。实验结果表明,本文的方法能有效利用无标注数据,提高文本分类器的性能。用弱监督的方法解决文本分类中标记数据稀少的问题,可以节省人力物力,更加充分的利用未标记数据,大大减少人工标注成本。此外,把这种弱监督的方法推广到其他任务之中,也能对深度学习的各大任务提供一定的借鉴和启示,对于解决深度学习中标记数据稀缺的问题有很高的价值和意义。