近年来,互联网得到了十足的发展,网络通讯传输技术也迅速发展,人们创造传输信息的能力大大增强,网络上充斥着越来越海量的各种虚拟信息和资源。传统的文本分析技术在面对复杂海量的文本时越来越乏力。近年来,深度学习技术的发展使得人们对于数据的处理利用能力大大提升。本文在文本关键语句提取,分类,相似度计算几个方面进行了研究和探索,通过改进并结合文本摘要提取技术和深度学习技术提出了一种有效的方案来进行中文文本的分析处理。在文本关键语句提取方面,针对后续工作的需要和TF-IDF算法的缺陷,对其进行了适当的改进,添加了DAC系数来衡量词汇在类间的分布情况,使最终的权值能更好的衡量词汇的重要程度,从而得到质量更高文本摘要。借助word2vec技术提出了一种基于语义的相似度计算方案。训练skip-gram网络来获得词的向量映射表,将词汇向量化,之后结合词汇的权值来构建文本向量,再利用余弦距离公式来计算文本间的相似度。使用前文中通过文本摘要提取技术获得的文本关键语句和词向量映射表构建网络的输入数据形式,结合卷积神经网络完成长文本分类的任务并对本文所用的卷积神经网络进行了详细的分析与说明。为了验证方法的可行性和有效性,设置实验对文中所提算法进行性能测试,结果表明借助深度学习技术的文本分析技术相较于传统技术具有一定的优越性,文本摘要提取时所做的改进对于最终效果也有一定的增益。最后本文使用上述方案构建了一个可以针对中文文本进行处理的文本分析系统。本文通过改进TF-IDF算法来获取了更高质量的文本摘要,将其结合word2vec技术提出了一种基于语义的文本相似度计算方案,又结合卷积神经网络技术提出了一种高效的长文本分类方案。