近几年人工智能在众多领域的大范围应用,促使深度学习的运用领域也越来越广泛。文本数据尤其是短文本数据信息的有限性和语言使用的不规范性,使得实现对短文本快速准确的分类成为值得研究的课题。本文在深入了解文本分类的现状及具体流程后,结合相关理论知识将目前在图像处理方面较为流行的卷积神经网络模型应用于短文本分类中。再对原模型参数和结构进行优化改进,得出相应结论。论文首先就文本分类和卷积神经网络的相关研究现状进行阐述,同时分析文本长度对文本分类的影响。并对文本分类的流程及论文中涉及的算法原理做充分的介绍。其次收集整理新闻文本作为短文本分类问题的实验数据,并对数据进行预处理。采用Jieba分词工具对文本分词并划分成词向量语料库以及训练和测试数据集。得到分词后的文本去除其中的低频词、标点和数字,再通过Word2Vec完成固定的词向量训练用作文本的特征信息。建立短文本分类的卷积神经网络模型,并优化相关参数,实验结果表明了模型的有效性。最后,提出基于词向量相似度的短文本扩充方法改进模型结构。在得到新文本后将其和原文本分别放入原模型中训练得到低维的向量表示后进行拼接,通过全连接层和softmax函数预测输出,并与原模型对比分析。最终的实验表明,改进后的模型有效,在准确率上优于原模型2.36%。