随着互联网爆炸式的发展,各领域信息化产生了大量文本数据,但是如何将这些数据充分利用起来,是目前待解决的问题。大量的信息缺乏归类整理,为信息的使用者带来了困难,因此需要良好的文本分类技术对这些信息进行理解和整理。这也是文本分类目前依旧是自然语言处理领域的热门研究课题之一的原因。当前已有的文本分类模型普遍存在分类准确度不高的问题,导致信息的使用者无法准确定位到所需要的文本。因此如何提升文本分类准确率是文本分类研究的重点。此外,在提高准确率的同时,也需要兼顾模型的训练耗时,这样模型才有应用的价值。为了解决这些问题,本文调研了该领域国内外相关研究的最新进展,深入分析各文本分类方法的优点和缺陷。基于现有的研究,提出了Topic Character CNN(TC-CNN)和Topic Character CNN GRU(TC-CNN-GRU)文本分类模型。TC-CNN和TC-CNNGRU通过结合文本的字符特征和主题特征,使得文本特征信息更加丰富,提升了文本分类准确率。TC-CNN-GRU在TC-CNN的基础上,使用了Bi-GRU加强了模型捕获上下文联系的能力。此外TC-CNN-GRU使用了注意力机制,优化了得到的文本特征,进一步提升了文本分类的准确率。实验结果表明,相比已有的文本分类模型,TC-CNN和TC-CNN-GRU在AG和Sogou数据集上分类准确率有明显提升。此外本文比较了不同主题模型和不同特征结合方式对于TC-CNN和TC-CNN-GRU分类准确率的影响,结果表明TC-CNN和TC-CNN-GRU使用LSA并将字符特征和主题特征加权拼接的分类准确率最高。虽然TC-CNN-GRU分类准确率较高,但是TC-CNN-GRU的训练耗时要远超过TC-CNN。从实际应用的角度考虑,本文将TC-CNN应用在新闻汇集平台中,对平台的新闻进行分类,使得平台采集到的新闻具有统一分类,方便使用者快速定位到感兴趣的领域。