作为自然语言处理（Natural Language Processing,NLP）的基础任务,文本分类的目标是用一个或多个类标签对文本进行标注,在信息挖掘和数据分析等领域具有重要地位。随着人工智能的快速发展,以神经网络为基础的深度学习取代了机器学习的地位,使用深度学习进行文本分类是大势所趋。构建分类效果更优的模型,并搭建操作简单、运行快速的简易NLP系统,可以帮助人们快速从海量信息中挖掘所需信息,大大提升了信息获取效率。本文以文本分类中两大基础任务主题分类和情感分析为切入点,探索文本分类算法,设计并搭建简易有效的NLP系统,在多个数据集上进行大量实验,并针对具体任务特点和相关数据缺陷等设计并改进分类模型。主要研究工作如下:（1）针对主题分类任务,提出一种基于BERT和注意力机制的主题分类模型。首先,基于层次延拓的思想,增加BERT中位置编码数量,解决其长度限制问题,在词嵌入表示中融入全部语义信息,进而提升文本表示质量;其次,使用Bi GRU网络提取文本上下文语义特征,并与自注意力机制相结合,赋予文本中关键特征更大的权重,缓解循环神经网络长距离依赖问题。最后,对交叉熵损失函数进行改进,使得困难样本在模型训练中的贡献增大,提升模型的泛化性能。在四大主题数据集上分别进行对比实验和消融实验,评价指标均优于基线模型和消融模型,证明了所提模型在主题任务上的有效性和合理性。（2）针对情感分析任务,提出一种基于文本拓展和多粒度文本表示的情感分析模型。首先,为解决原始编码特征信息较少的问题,利用LDA生成文本潜在特征信息并嵌入至文本原始编码中,增加原始文本特征信息数量,缓解情感文本数据稀疏问题;其次,从字词双通道生成词嵌入表示,充分融合语义信息;最后采用多通道卷积神经网络和循环神经网络分别提取局部特征和全局特征,提升特征信息的全面性和突出性。在四大情感数据集上分别进行对比实验和消融实验,评价指标均取得最优,证明了该模型在情感分析任务上具有一定应用价值。（3）简易NLP系统的设计和实现。在所提两大模型的基础上,从应用的角度出发,选择Django框架快速搭建NLP分类系统。模型由前端、后端两部分组成,包含词法分析、关键词提取、文本分类三大功能,并通过进一步细化分类任务保证了分类效果。整个系统功能齐全、操作简单、运行快速,具有一定的使用价值。