近年来,深度学习方法在文本分类研究中取得了重要进展。与传统方法相比,基于深度学习的文本分类方法利用神经网络模型直接对文本数据进行训练,无需人工对数据进行特征提取。然而存在模型选取单一和文本语义特征向量不足等问题。针对上述问题,本文融合深度学习和注意力机制对文本分类进行了研究,主要工作如下:（1）针对单一选取卷积神经网络或者循环神经网络存在特征提取不充分、重要的文本信息不能被及时关注的问题,提出一种基于多头自注意力机制的多尺度时空混合文本分类模型。该模型通过BERT获取动态词向量,引入多头自注意力机制,及时关注对分类效果有重要影响的文本信息,提高时空混合特征的提取能力;使用有序神经元长短时记忆网络替换传统循环神经网络,捕捉文本语义信息和长距离依赖关系;融合多通道卷积神经网络和有序神经元长短时记忆网络获得时空混合特征,该特征不仅含有多尺度卷积核提取的不同粒度的文本局部特征,还含有文本上下文语义信息和长距离依赖关系。在淘宝评论数据集和THUCNews数据集上的实验结果表明,该模型分类准确率达到96.3%和94.68%,其召回率和F1值均优于选取的对比模型,验证了模型的有效性。（2）针对传统模型在文本表示阶段仅以词向量作为输入、易造成挖掘的文本语义特征向量不足,单向门控循环单元模型中信息传递形式单一、不能从两个方向同时传递的问题,提出一种基于多特征与注意力机制的混合神经网络文本分类模型。该模型将字特征向量、词特征向量、词性特征向量和笔画特征向量进行拼接,得到融合词向量,作为下游任务中的输入,缓解传统模型仅以词向量作为输入、语义特征向量提取不充分的问题;将融合词向量输入到时序卷积网络中,提取文本在不同时间维度上的特征;再通过双向门控循环单元网络两个方向相反的单向门控循环单元网络提取特征信息,弥补单向门控循环单元网络模型的不足;最后引入注意力机制,利用权重分配机制对分类效果产生关键影响的信息分配较多的注意力。在SogouCS数据集和FuDan新闻据集上的对比实验结果表明,该模型在两个数据集上的分类准确率比其他基准模型分别提高1.95%和1.72%,验证了模型的有效性。