互联网的快速发展导致网络文本数据的急剧增长,深层次的神经网络模型因能较好地表达数据特征而被广泛应用于文本分类任务中,其中最为成功的是卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆网络(Long Short-Term Memory,LSTM),但其性能却受到了一词多义、同形异义问题的影响。因此,研究如何缓解词的歧义性问题以提升深度学习模型的分类性能具有重要意义。通过系列实验,剖析了短文本数据稀疏对分类性能的影响和度量了主题特征的语义连贯性。针对短文本数据集,结合融合连续语义信息和离散主题信息的思想,使用主题特征提供的全局信息对“词语”和“句子”两个粒度的特征进行修正,分别提出了基于主题嵌入和卷积神经网络的句子分类方法与基于主题嵌入和长短时记忆网络的句子分类方法。针对短文本呈现序列化且前后逻辑相关的特点,结合双向LSTM捕获完整上下文信息的特性,在输入层融合词向量和字符向量,并在双向LSTM层之间嵌入特征,提出了一种基于多连接双向LSTM的句子分类方法。在公开的真实短文本数据集上进行分类性能对比和特征融合分析实验,实验结果表明,所提方法在准确度上优于现有的基线方法,也即表明将有效特征融入到深度学习模型中能有效地缓解词的多义性问题,从而更好地表示短文本的语义,提高分类性能。