文本分类是自然语言处理中的一个基本问题。其核心是从文本中抽取出能够体现文本特点的关键特征,并设置一个从抓取特征到类别之间的映射关系。基于文本的特性,文本分类主要由短文本分类和长文本分类这两类构成。短文本分类是指对话题或者评论这种字数偏少,句式结构有缺省的文本进行分类,其需要关注的特征为有明显情感倾向的词特征和句特征。长文本分类是指对文章或者新闻这种字数偏多,句式结构完整,上下文联系很大的文本进行分类,其需要关注的特征为语义关系特征和上下文联系信息特征。在短文本分类上,现有方案虽然能提取词特征,但是却无法同时提取词特征和句特征。在长文本分类上,现有方案虽然能尽可能的提取语义关系特征,但是却无法提取上下文联系信息特征。根据上述问题,本文的主要研究成果如下:针对短文本分类问题,本文侧重有明显情感倾向的词特征和句特征,通过词嵌入模型、卷积提取词和句特征、构建并行特征提取框架和注意力机制这四步,提出了基于注意力机制的并行稠密连接卷积神经网络——Text Desnet。该网络中的多尺度卷积特征提取模块解决了有明显情感倾向词特征提取的问题;密集连接卷积特征提取模块解决了有明显情感倾向句特征提取的问题;注意力机制模块解决了词特征与句特征贡献度因子不同的问题。最后,本文将Text Desnet与多种模型（CNN、Text CNN、Fast Text、DPCNN和Text Desnet-C）在三个短文本语料库（Game Multi Tweet、Sem Eval和SS-Tweet）上测试作比较。实验结果证明,Text Desnet对于短文本分类问题,其准确率平均提升1.1%。针对长文本分类问题,本文侧重语义关系特征和上下文联系信息特征,通过词嵌入模型、多张文本图的构建、消息传播机制和注意力机制这四步,提出了单词级别张量图卷积神经网络——Word Level GCN。该网络中的多张文本图的构建解决了提取语义关系特征和上下文联系信息特征的问题;注意力机制模块解决了语义关系特征与上下文联系信息特征贡献度因子不同的问题;为每个文本单独构建图,每个单词只和与它最近的前后个单词相连和参数全局共享解决了文本图过大内存消耗太多的问题。最后,本文将Word Level GCN与多种模型（CNN、Text CNN、Fast Text、DPCNN、Text GCN、Tensor GCN和Word Level GCN-G）在三个长文本语料库（AG News、R8和Yahoo!Answers）上测试作比较。实验结果证明,Word Level GCN对于长文本分类问题,其准确率平均提升1.4%。