基于自编码神经网络文本特征提取，主要目的是对当前文本挖掘的效率进行提升。由于现在网络的高速发展，大量的信息尤其是文本为主的信息在网络中大量传播，使得原有的文本挖掘技术缺陷暴露出来。对大量的文本数据，自编码神经网络可以对大量的文本特征进行降维，在不损害其准确率的情况下，提升速度。以此满足现代网络的高效率。　　本文选用自编码神经网络的方法是基于深度学习算法中的一种，他开创了机器学习研究中一个新的方向。深度学习的理念来自于人工神经网络的研究，它是具有多层感知器的结构。深度学习通过低层特征的组合来合成更抽象的高层特征，目的是用来发现数据的分布式特征。自编码神经网络的输出节点与输入节点相等以及隐藏层的节点数小于输入输出节点数的两个主要特点，实现了文本特征降维，降低了空间复杂度的计算量。通过这样的方法，实现了自编码神经网络对空间向量的高效计算。　　本文以50组内容相近的信息为例（每一组的信息内容不会超过30个汉字）进行编码，将汉字转变为字形点阵码，结合可视化技术，选择35组样本，作为自编码神经网络的输入信息。利用MATLAB工具中的神经网络模型进行实验，通过模型对输入的35组样本进行逐层的特征变换，使得原有的数据样本，从原来的特征空间变换到新的特征空间，并且建立文本特征库。选择剩下的15组利用上述方法进行文本特征提取，与特征库中的文本特征进行对比。实验表明自编码神经网络对文本进行特征提取，有良好的表现，能够很好地对文本进行分类，在减少了在时间和空间复杂度的计算量。