随着移动手机的发展与普及,手机短信业务也迅速崛起,虽然目前受到社交平台的冲击,但手机短信依靠其低廉的价格、接收方便和实时性等优势依旧是百姓日常交流不可或缺的媒介,并且越来越多的企业以短信的形式进行广告宣传从而来提高产品的影响力。一方面,短信给百姓日常生活带来了便捷;另一方面,垃圾短信的滥用问题一直困扰着百姓的生活,对和谐社会造成了一定的危害。为了给用户营造一种干净良好的短信通信环境,对垃圾短信进行研究和过滤是有必要和迫切的。本文研究的重心是利用深度学习模型与文本分类相关的技术相结合为短信过滤所用。首先在模型输入端,针对短信这种特殊数据,对噪声内容信息进行匹配并替换成正常文本内容为特征选择等后期操作打好基础。针对传统的词频-逆文件频率(Term Frequency-Inverse Document Frequency,TF-IDF)特征选择算法忽略了特征词在某一个类别中不同类别间的分布信息的缺点,在TF-IDF算法基础上进行了改进。针对短信中短文本导致的特征稀疏问题,采用了基于词向量的特征扩展方法,对短信中的长文本采用特征缩减的方式,这不仅避免了短信中短文本特征稀疏的问题,还降低了模型训练时对计算机软硬件资源的消耗。然后,采用BiLSTM-MCNN来进行模型训练,BiLSTM-MCNN模型不仅增加了语义特征的丰富性还获取了短信文本的长距离依赖特征。其中多层感知机卷积网络(Multilayer Perceptron CNN,MCNN)是基于卷积神经网络(Convolutional Neural Networks,CNN)基础上的改进模型。最后,在短信类别判定结果上,采取深度学习模型结合自定义短信特征的方式来得到最终结果。实验所使用的训练集、验证集和测试集均来自于用户现实生活当中的数据。为了证明改进算法和深度学习模型的有效性,进行了多次实验对比,评价标准采用是准确率、召回率和F1-Score,最终的结果显示本文提出的特征选择算法和深度学习模型可以提高垃圾短信过滤系统的性能。最后,短信过滤结果采用Flask框架进行展示。