近年来,随着互联网信息技术的迅速发展,网络上中文短文本信息呈现指数增长的趋势,这些短文本数据信息具有字数少,上下语义不明确,歧异多以及信息内容不规范等诸多特点.针对这些特点,如何从大量的短文本数据中提取有价值的信息,成为我们迫切要解决的问题.短文本分类就是在给定的分类模型下,让计算机根据文本的内容,将其判别为起初确定的某一类别的过程.它在文本过滤,检索,构建索引等方面都有着极其重要的作用,可以使得用户更加方便快速的解决问题.随着人们对短文本信息的需求越来越大,对短文本分类技术方法的研究也越来越具有应用价值和现实意义.本文通过对BERT模型与支持向量机（Support Vector Machine,SVM）模型的研究,为了提高短文本分类的准确率,提出TF-BERT-SVM的混合模型,主要研究内容如下:（1）构建TF-BERT模型,提高BERT模型的特征提取能力.将短文本预处理以后的词进行TF-IDF加权,将加权后的词输入BERT模型,得到具有权重信息的词向量,构成了 TF-BERT模型.将TF-BERT模型与BERT,随机森林,K-近邻以及循环神经网络模型在公开数据集头条新闻标题上进行对比实验,得出TF-BERT模型的Accuracy值,Recall值,F1值分别达到了 92.4%,89.0%,91.3%均高于其他分类模型,证明了 TF-BERT模型在短文本分类任务上的有效性.（2）构建TF-BERT-SVM模型进一步提高短文本分类效果.本文提出了 RBF核函数与Sigmoid核函数的组合核函数来优化SVM的参数,该组合核函数集合了单一核函数的优势,可以有效的提取样本的局部特征和全局特征,将具有组合核函数的SVM与TF-BERT模型融合,构成TF-BERT-SVM模型.为了验证TF-BERT-SVM模型分类的有效性,本文通过爬虫技术抓取豆瓣电影评论,将电影评论进行正负情感分类,划分测试集和训练集来训练和测试模型.最终,TF-BERT-SVM的Accuracy值,Recall值,F1值分别达到了93.6%,91.5%,91.8%均高于其他分类模型,验证了TF-BERT-SVM模型的优越性.