近年来,越来越多的人喜欢通过各种手机应用软件在互联网上发布和获取信息,这些信息主要以短文本的形式存在。短文本分为两类,一类是描述信息,通常涉及多个主题,比如一条知乎提问,可能同时关于“经济”、“文化”和“旅行”。为了利用智能化技术在分类展示、信息检索等领域提升用户体验,对这些短文本进行多标签分类具有重要意义。另一类表达主观情绪和意见,如商品评价、社会热点讨论等,这些短文本的情感极性分类对商家分析用户反馈,政府部门了解民情、宏观调控网络舆情具有重要意义。短文本具有篇幅短、特征稀疏、主题多变、表达口语化等特征,以人工特征分析为主的常规文本分类算法不能直接应用,但专门针对短文本分类技术的研究相对较少。近几年,深度学习技术自动学习、可提取高维特征的特点,吸引了很多学者将其应用到文本分析领域中来。因此,本文针对基于深度学习的短文本分类技术展开了研究,主要工作总结如下。首先,调研了文本分类技术的国内外研究现状,介绍了基于深度学习的文本分类流程中涉及的主要技术。在文本表示模块,深入研究了中文文本分类领域经典的Word2Vec词向量模型和新出现的能表示“一词多义”的BERT预训练语言模型,特征提取模块,研究了经典的CNN和RNN系列模型,结合场景需求,将其应用到本文提出的方案中。针对短文本的多标签分类问题,提出了一种基于深度学习的短文本多标签分类方案。先对文本预处理,然后使用BERT和Word2Vec对文本进行不同粒度的词向量表示,将Word2Vec表示的词向量采用Attention和CNN模型聚合特征为句向量,BERT词向量直接池化处理成句向量,然后拼接两个句向量作为全局特征,进行多标签分类。通过实验验证,该方案在知乎多标签数据集上取得了比传统方法更好的性能。针对短文本的情感极性分类问题,提出了一种基于深度学习的短文本情感极性分类方案。先对文本预处理,使用BERT模型进行词向量表示,然后将结果输入Bi GRU算法抽取全局语义信息,再用Attention机制对主要情感词进行提取,最后输入分类器判断情感极性。通过实验验证,该方案从各个评价指标上都表现出了很好的性能。