近年来,伴随着互联网的普及,搜索引擎、互联网聊天、电子邮件、论坛评论、电商购物、音视频网站、微博、手机短息、文档文献等深入影响着我们的生活,其中产生了大量的互联网短文本。目前,互联网公司是短文本挖掘的主力军,积极研发短文本分类技术,发现短文本数据数据潜在价值,具有非常重要的研究意义和巨大的应用价值。目前,深度学习已广泛应用于图像识别和语音识别等领域,实际效果表明深度学习中的各种模型能够更有效地解决问题。为了进一步提高短文本分类效果,本文主要研究面向短文本的卷积神经网络模型及其分类技术。本文详细阐述了各种文本聚类、分类方法,并对短文本特点和要研究的问题进行了分析。针对数据预处理、中文分词、特征提取、聚类算法研究等步骤,提出短文本SkipGram向量生成方法。针对短文本进行特征提取过程中词与词在连续低维空间中的语义关系和特征的表达能力问题,提出采用Skip-Gram神经网络语言模型来训练word embedding方法,利用语句word embedding组合为二维特征矩阵的形式,用来代表该条样本的分布式特征。针对短文本特征表示中存在的稀疏性问题,基于深度学习技术,提出了一种基于ShortTextCNN的半监督文本聚类算法,通过卷积神经网络生成短文本的向量表示,结K-menas算法提高了聚类效果。通过在中文数据集上进行的实验分析,验证了ShortTextCNN+kmeans算法在短文本聚类上的有效性。