专利包含了世界上绝大多数的发明创造,是衡量国家和企业创新能力的重要标准,也是获取先进知识的重要途径,对于医药行业更是有着不可替代的作用。医药专利一方面可以为医药知识产权提供法律保护,另一方面能为研究者提供当前各类药品的研究信息和最新科研技术信息。通过对现有医药专利的研究不仅可以避免无用投资还能获取最新的研究方向。分类良好的医药专利检索系统可以有效地减少研究者搜集医药专利文献的时间。以往的专利分类模型多采用机器学习方法,模型的分类速度快但准确率不佳,主要原因是由于机器学习不擅长处理复杂文本。近几年深度学习由于能够挖掘复杂文本中的语义和情感信息吸引了许多研究者的目光,被广泛应用于舆情处理、情感分类和翻译等任务中。但深度学习在专利文本分类任务上的应用较少,还有待进一步研究。本文围绕医药专利文本分类中的多标签分类、大样本数据处理、医药文本表示以及数据不平衡这四个问题开展研究。使用深度学习方法中的卷积神经网络和循环神经网络,建立从句子到词进行特征提取的二维深度神经网络模型。研究的主要内容如下:(1)根据医药专利文本复杂、专业词汇多的特性。设计符合医药专利文本的文本处理模块,包括文本的清洗、中文分词以及词向量化。(2)根据深度学习更易处理大样本数据集的特性。本文对卷积神经网络和循环神经网络进行研究,建立了从句子到词进行特征提取的二维深度神经网络模型。并且在网络中加入基于词的注意力机制,进一步提高模型的分类效果。(3)针对多标签问题和样本分布不平衡问题。采用了改变激活函数和损失函数的方法进行解决。为了验证本文提出的医药专利文本分类模型的有效性。本文将提出的分类模型与其他的专利分类模型进行了对比实验。并使用6个评价指标进行评估,结果表明本文提出的医药专利文本分类模型的分类效果优于其他专利分类模型。其中分类精确率和准确率能达到90%以上。