随着互联网的快速发展，网络上的短文本数量呈现高速增长的趋势，短文本分类技术的需求与日俱增。但是短文本受字数限制存在特征稀疏的特性，基于此，本文提出了一种基于BERT模型的中文短文本分类算法。该算法使用BERT(Bidirectional Encoder Representations from Transformers) 预训练语言模型对短文本进行句子层面的特征向量表示，随后将获得的特征向量输入Softmax回归模型进行分类。经过与基于word2vec的TextCNN(Text Convolutional Neural Networks)模型短文本分类算法的对比实验，结果表明，随着数据量的增加，本文算法在测试集上的分类整体F1值最高可达93%，高出基于TextCNN模型算法6%，这说明基于BERT模型的分类算法在短文本句子层面上的向量表示可以有很好的表征效果，同时对于其他类似的自然语言处理下游任务也具有一定的参考价值。