随着大数据时代背景下网络数字资源的爆发式增长,数字图书馆机遇与挑战并存,数字图书馆的学术资源不应局限于图书和期刊论文等传统的文本资源,互联网上的文本数据同样被认为极具学术价值的资源。因此,数字图书馆在保持原有的传统馆藏资源的优势上,需要将新闻网页等被认为同样具有学术研究价值的网络文本资源纳入其中。但是,一方面,互联网上的新闻网页等文本资源增长迅猛且更新频繁,如果将其纳入到数字图书馆中,不能使用传统的手工分类的方法对其进行分类组织管理,必须将文本自动分类技术应用到数字图书馆的资源分类管理系统之中;另一方面,如果使用传统的基于机器学习方法的自动文本分类技术,所使用的训练数据和测试数据属于同源数据或数据分布相同,即训练集文本和测试集文本来自同一种文献类型、使用尽量相同的词汇表达主题内容,才能够保证一定的分类效果;而现有的数字图书馆资源中未拥有大量高质量的新闻网页等标注好类别的网络文本资源用作训练集,如果对更新频繁、数量巨大的网络文本进行人工标注,则标注成本巨大,不符合实践要求。因此,使用数字图书馆中大量的、且已经标注了类别的期刊论文等文献类型的文本作为训练集,以新闻网页等文献类型的文本作为待分类的测试数据的思路成为一种可能的解决方法。然而,不同文献类型间由于读者对象、写作规范和用词习惯等不同,使得不同文献类型间的文本存在同义词、近义词等语义差异的问题,不能很好地满足数据分布相同的要求,导致采用传统的机器学习方法时自动分类的分类效果不甚理想。本文在此背景下,提出一种基于深度学习方法的跨文献类型的文本自动分类技术,旨在解决期刊论文与新闻网页等不同文献类型间的语义差异问题,从而提高将期刊论文作为训练集、以新闻网页作为待分类的测试集时的分类效果,并通过对比实验验证本技术的有效性。以下是本研究的主要内容以及结论:（1）跨文献类型的文本自动分类研究本文以互联网上的网络文本数据资源日益增长、新闻网页文献类型同样被认为具有极高的学术研究价值为研究背景,分析了多种文献类型的相关研究现状,对多种文献类型自动文本分类相关研究及采用的方法加以总结,并指出当前多种文献类型研究存在的不足之处,为本研究提供了充盈的理论基础以及科学合理的技术手段。（2）预训练模型的构建本文使用word2vec词向量模型作为预训练模型,以期解决不同文献类型文本间的语义差异问题。具体内容为:基于大规模的含有不同领域知识的语料集,基于CBOW模型进行word2vec训练,并使用负采样的方法,加速模型训练的速度,最终得到富含语义信息的词向量,本文在实验环节通过相近词的计算,语义空间的二维分布图等事例论证了word2vec在解决不同文献类型文本的语义差异问题上的有效性。（3）基于深度学习的跨文献类型的自动文本分类方法本文结合word2vec词向量模型在解决语义差异上的优势,以及深度学习在自动学习重要特征方面的优势,避免了基于传统机器学习方法在特征工程处理上的人力消耗,使用词向量模型作为深度学习模型的预训练模型对来自不同文献类型的训练数据和测试数据进行分类。本文使用基于共通语义空间的方法作为基准实验,并进行大量分类实验,对传统的分类方法和深度学习的分类方法进行比较,也对是否使用预训练模型的深度学习方法加以比较,验证了本文提出的方法的有效性;针对LSTM模型分类效果较差的结果,分析其原因,提出一种改进的Att＿LSTM模型,并通过实验验证其有效性;最后,考虑到基于深度学习的模型容易受数据量的影响,使用不同的训练数据量进行实验比对,进一步论证了本文提出方法的稳定性和有效性。