文本作为人类重要的交流方式,记载了大量的人类文明信息。进入现代文明后,信息技术得到了快速发展,产生了大量的短文本数据。这些短文本数据包含着许多有价值的信息,由此衍生出短文本分类这一重要的课题。然而,由于短文本数据特征矩阵的稀疏性和语义特征不足使得短文本分类面临巨大的挑战。本文针对短文本的文本表示和语义不足方面,提出了基于加入注意力机制的卷积神经网络和神经主题模型的Prod LDA-ACNN模型,基于语义拓展提出了三种方式提取文本特征的GAO-CNN的文本分类模型。本文的主要工作如下:针对短文本语义特征不足,本文提出了基于神经主题模型和加入ECA注意力模块的卷积神经网络的Prod LDA-ACNN模型。在经过Word2vec模型对文本数据进行词嵌入后,分别用在加入ECA注意力模块的卷积神经网络提取文本特征和用Prod LDA主题模型提取主题特征,然后将文本语义特征和主题特征融合后再输入分类器中进行分类任务。经过实验表明,Prod LDA-ACNN模型相比CNN和LSTM模型性能有较大提升,相比较TMN模型性能也有小幅度的提升。针对短文本数据语义信息不足和特征矩阵稀疏等问题,在快速聚类算法、门控卷积网络、自注意力机制和卷积神经网络的基础上提出了GAO-CNN文本分类模型。在经过Word2vec模型对文本数据进行词嵌入后,使用了快速聚类算法对原始短文本特征进行特征拓展,然后将特征拓展的特征矩阵分别通过三种方法进行处理,分别是使用门控卷积网络提取特征,使用自注意力机制提取特征和使用一维卷积核提取特征,然后将这三个特征矩阵通过三个通道输入Text CNN网络中进行文本分类任务。经过实验证明,GAO-CNN模型相比较本文选取的四种比较流行的短文本分类模型性能均有所提升。