文本分类技术作为信息处理的关键技术,一直是学术研究的热点问题。随着近年来人们对深度学习研究的深入,在自然语言处理中也逐渐使用了深度学习方法,其也被证明具有高级文本表示的能力。经典的卷积神经网络文本分类模型忽略了文本的顺序信息,本文提出了一种结合注意力机制的文本分类模型,该模型能够弥补传统分类模型的缺点,使模型具备提取顺序特征的能力。并且引入了注意力机制优化文本特征,取得了更优秀的文本分类性能。本文的主要研究工作如下:(1)传统基于卷积神经网络的文本分类模型由于卷积结构本身的特性,只提取了文本的局部信息,却忽略了文本的序列特征。本文设计并实现了结合注意力机制的文本分类模型ACRNN。在原有的卷积神经网络文本分类模型的基础上,对文本的特征提取模块进行了调整,将卷积神经网络和循环神经网络有机地结合在了一起,提取了更加全面的文本特征。在模型输入阶段使用了双通道输入设计,能够充分利用外部知识和本地知识,获得更加丰富的文本表示。为了突显不同词语的区分化作用,本文还将注意力机制引入模型中,赋予了更加优化的文本特征表示。(2)在训练ACRNN模型的时候发现该模型训练速度较慢,本文分析了模型训练速度过慢的原因,提出了针对注意力机制计算方法的改进算法。为注意力矩阵给定一个基于TF-IDF的初始值,使注意力矩阵能够快速收敛,从而减少模型的训练时间。(3)在中英文数据集上设置了多组对比实验,证明了本文提出模型和算法的有效性。将本文所提出模型与几种基准模型进行对比,验证模型的分类性能。对比了注意力机制使用与否对于模型的影响,从而验证注意力机制的促进作用。对比了不同维度词向量以及双通道输入设计对于模型的影响,最后通过实验研究了改进注意力算法对模型的影响。