文本分类作为自然语言处理的重要研究领域,在农业、商业、法律、社会科学等诸多领域发挥重要作用。中文文本分类主要分为短文本分类和长文本分类两大子任务。短文本分类的主要难点在于如何有效提取关键语义信息,确定类别,而中文长文本存在语义信息复杂、特征分布不均等问题。本研究针对上述问题,通过改进循环神经网络并结合其他模型分别提出了解决办法,本研究的主要工作如下:（1）针对长短时记忆网络对前后向信息利用不够充分的问题,本研究提出了一种新颖的非平衡长短时记忆网络,并结合此网络提出了基于特征增强的非平衡Bi-LSTM中文短文本分类模型。该模型首先利用BERT预训练模型训练词向量并提取初步的语义特征,随后利用非平衡长短时记忆网络增大重要语义权重,进一步提高关键特征对中文文本识别的效果,同时利用多层注意力机制拉大关键文本信息与非关键信息的差距,最后使用Softmax函数进行分类。通过与多种模型进行分类效果比对,结果表明该模型能显著提高中文短文本分类的准确性,具有很强的中文文本特征识别能力。（2）为了解决中文长文本类别分布不平衡的问题,本研究提出了一种数据增强方法。该方法首先统计词频确定小样本类别,之后将小样本类别多倍复制结合到原始语料中形成小样本类别增强的新数据。为了提高卷积神经网络对中文长文本的特征抽取能力,本研究提出了一种新颖的Text-Inception架构,并结合此架构提出了一种基于特征增强的Text-inception的中文长文分类模型。该模型首先使用Text-Inception模块用以提取文本的浅层关键特征,同时利用双向门控循环单元和胶囊神经网络组成深层特征提取模块理解深层文本语义,之后利用K最大池化层对浅层与深层特征降维并进行特征增强,最后使用Softmax函数进行分类。通过与多种模型进行分类效果比对,结果表明该模型能明显提高中文长文本分类的准确率。