随着深度学习技术在自然语言处理领域的不断发展,文本分类任务取得了重大进展,其成功的主要原因之一在于拥有海量的有标注训练数据,但是在现实场景中,大量的训练数据是难以获取的,这极大地限制了文本分类任务的发展。为了打破文本分类任务的发展瓶颈,业内提出多种方法来解决有限训练样本条件下的文本分类问题。本文主要针对该问题进行探究,研究内容包括以下三点:（1）针对现有方法大多专注于挖掘文本内部浅层的语义信息,而忽略了引入额外知识来解决标注数据短缺问题,我们提出了一种新的基于知识增强的文本分类模型。详细介绍了模型的整体架构,具体实现细节以及所用到的实验环境、实验数据、参数信息,并在4个公开数据集上设计了对比实验,实验结果均显示我们的模型具有一定的竞争优势。（2）借助元学习和少样本学习的思想,赋予深度神经网络处理有限样本的能力。以往的研究大多忽略了支持集与查询集之间存在的交互信息且忽略了样本间的重要性程度不同,我们提出了一种基于特征提取和度量网络的少样本分类模型,共分为四部分:词嵌入模块、上下文编码模块、双向注意力模块和度量模块。模型结合GRU的全局信息提取能力和注意力的局部细节学习能力对文本特征进行建模,同时构建双向注意力网络来捕获支持样本与查询样本间的交互信息,并创新性的提出“类别表示生成器”用以区分同类样本间的不同重要性同时生成更具判别性的类别表示。此外,为了获得更为清晰的分类界限,还设计了一个类别感知的正则化项来优化类别表示。实验结果表明,本文提出的模型相较于其他基线模型的分类准确率均有提升。（3）本文关注如何充分挖掘文本深层连续的语义信息并区分不同样本、不同特征的重要性,缓解样本特征稀疏的问题。因此本文提出了一种基于双向门控时间卷积和混合注意力机制的少样本分类新方法。设计了带有注意力机制的双向门控时间卷积网络作为特征提取器,既克服了RNN不能并行处理的局限性又能够有效的从文本数据中提取到时序特征。在此基础上还提出了混合注意力机制,帮助区分不同样本和特征的重要性,突出特征空间的重要维度并针对不同查询样本形成对应的距离公式,缓解样本特征稀疏问题。为了验证设计,我们在2个真实数据集上进行了对比实验,并对实验结果进行了分析。