安全生产关系人民利益、关乎社会平稳发展。同时,也是企业能否平稳发展的基础。随着信息化、智能化的不断加深,隐患自查、自检上报平台的应用,企业监管部门以及企业都存储了大量的企业隐患文本数据。如何充分利用这些数据甄别出不负责的企业,为政府监管部门在有限人力资源的情况下实现精确检查、精准执法提供依据,对企业提高自我防范意识、避免生产事故发生具有极为重要的意义。针对安全隐患文本内容较短、特征矩阵稀疏等特性且使用外部语料进行特征扩展时容易引入噪声数据的问题,采用了一种基于WTTM（Word-network Triangle Topic Model）主题模型的特征扩展方式,并在此基础上提出加入类别特征,即在原有的文本特征基础上增加特征、增强文本语义信息,从而达到提升分类效果的作用。针对主题模型扩展特征不能无差别扩展的问题,结合主题模型扩展特征与原特征的相关性、主题在原文中的重要性以及词性对特征的重要度影响,提出针对主题模型扩展特征的权重计算公式,融入了主题扩展特征与原特征的语义相关性,可以更好地表达主题模型扩展特征的重要性。针对类别特征不可随机选取特征扩展的问题,结合类别特征词对分类结果的影响以及当前特征词与原文本相关性两方面综合考虑,提出类别特征重要性计算公式,融入类别特征与文本内容的相关性,可以选出更为优质的类别特征作为文本内容的补充。针对特征选取问题,在CTC2（Connectionist Temporal Classification）特征选取模型的基础上,针对特征扩展框架,提出一种基于改进的一维卷积网络与LSTM（Long Short-Term Memory）相结合的特征选取模型DC-LSTM（Dilated Convolution and Convolutional Neural Networks and Long Short-Term Memory）,去除一维卷积的池化层,加入膨胀卷积,以达到扩大卷积感受野的目的以及充分发挥后续LSTM的作用,增强了一维卷积的上下文提取能力,最终融合各通道特征,送入LSTM再次提取特征。综上所述,本文主要从文本分类这一角度出发,提出了一种基于特征扩展与选取相结合的方法FE-DCLSTM。以大赛数据集为基础设计了大量的对比实验,实验结果表明,此方法在针对本文隐患文本数据集分类时,可以使得分类准确率得到显著的提升。