随着社交网络与网购平台的迅猛发展,电子文本广泛存在,其所占比例较高是短文本数据,例如新闻标题、Twitter文本以及网购评论等。面向短文本进行准确分类所蕴含的商业价值和实际应用已广泛引起了学术界的关注。目前,短文本分类已成功应用于个性化推荐、情感分析、舆情跟踪以及问答选择等多个领域。最近,深度学习技术的快速崛起推动了文本分类的研究与发展。在分类器性能方面,深度神经网络比机器学习算法更优越,其随着网络深度的增加,可以提取文本更高阶特征,从而促进分类性能的提升,但在训练更深层网络时容易出现梯度消失和梯度爆炸等问题。另一方面,由于短文的稀疏性和歧义性也会影响其分类性能,因而针对以上情况,本文分别从分类模型与文本特征表示两个方面,进行了以下研究:(1)针对循环神经网络与卷积神经网络的关于文本序列建模的优劣性,以及更深层次的网络容易产生梯度消失或梯度爆炸缺陷性,本文提出了基于密集连接门控循环卷积网络的混合模型(DC-BiGRU_CNN)。该模型首先用一个标准的卷积神经网络训练出字符级词向量,然后将其与词级词向量进行拼接并作为网络输入层。受密集连接卷积网络的启发,在对文本进行高级语义建模阶段时,采用文中提出的密集连接双向门控循环单元,其可以弥补梯度消失或梯度爆炸的缺陷,并且加强了每一层特征之间的传递,实现了特征复用;对前面提取的深层高级语义表示进行卷积和池化操作以获得最终的语义特征表示,再将其输入到softmax层,实现对文本的分类。在多个公开数据集上的研究结果表明,DC-BiGRU_CNN模型在执行文本分类任务时准确率有显著提升。此外,通过实验分析了模型的不同部件对性能提升的作用,研究了句子的最大长度值、网络的层数、卷积核的大小等参数对模型效果的影响。(2)针对短文本歧义性与稀疏性的问题,本文基于多粒度角度出发,提出了融合Bert与BTM特征表示的短文本分类方法。首先使用Bert预训练语言模型生成的动态词向量,同时基于BTM模型进行转换得到词的主题向量。随后将Bert向量与词的主题向量词向量进行融合,使得文本具备词语级与主题级两个粒度层次的抽象语义表示。然后基于DC-BiGRU_CNN深度学习模型下进行语义建模和分类,实验结果表明,融合的特征表示可以丰富文本的语义信息,能够有效提高文本分类效果。此外,通过实验分析了最大池化与平均池化对性能提升的作用,研究了主题数的设置对模型效果的影响。