伴随着云计算、大数据、物联网技术的迅猛发展,互联网空间中各类应用也呈现复杂性和多样性,种类繁多的垃圾信息也随之出现,垃圾信息不仅占用了大量的计算和通信资源,而且对人类生活产生了严重影响。研究垃圾信息过滤算法具有非常重要的现实意义。文本垃圾是垃圾信息的最主要组成之一,本文重点研究了垃圾文本过滤算法,主要内容包含垃圾文本过滤算法的定义及研究意义,相关技术,并且结合现有的算法提出了新的垃圾文本过滤算法。本文的主要研究工作和创新点如下:(1)针对简单的循环神经网络在提取局部关键词特征上的不足,结合卷积神经网络,将两者提取的特征进行融合,提出鲁棒性更强的TC-LSTM模型来实现垃圾文本的过滤,TC-LSTM因为加入了提取局部特征的CNN,在有明显关键词的句子上效果明显,同时因为加入了 LSTM,所以在没有明显关键词的垃圾文本上也有一定的效果。实验证明该算法在文本垃圾过滤任务上优于单模型的LSTM以及单模型的CNN。同时在不同的数据集上也进行了实验,验证了算法的有效性。(2)研究了在垃圾文本数据集上Word Embedding的不同使用方式对实验结果的影响。采用了三种Word Embedding的方式,分别是预训练词向量并在模型训练时保持不变;预训练词向量并在模型训练时微调;随机初始化词向量并在模型中联合训练。本文在不同的垃圾文本数据集上进行实验并对结果进行了分析,进一步改进了算法的性能。(3)提出了一种改进TC-LSTM的算法TC-LSTM-TFIDF,该算法结合了 TF-IDF,对每个词赋予了不同的权重,改进了 TC-LSTM提取的特征。因为充分考虑了每个词对分类结果产生的影响大小,因而该算法具备更强的特征抽取能力,同时在垃圾文本数据集上进行了实验,验证了算法的有效性。