文本分类一直是自然语言处理的重要部分。文本分类方法主要是从文本中提取文本特征并根据文本特征进行分类。然而,特征提取一直是文本分类的难点。很多基于统计学的文本分类方法实际上是此匹配法。这种方法不仅耗时耗力,还需要预设文本特征,而这非常高的专业能力。因此,传统文本分类一直是高消耗低精度的方式。近几年随着深度学习的快速发展,深度学习方法已经被大量应用于文本特征的提取,并被证明能够有效的提取文本特征。在深度学习文本分类方法中,文本特征由分类网络学习,因此,分类网络的选择直接影响分类结果。分类网络想要更好的学习文本特征时也需要消耗大量时间进行训练。为了解决这些问题,本文提出了一种带注意力机制的残差双向GRU的分类方法对文本的特征进行学习从而提高对文本情感分类的准确性和效率。本文主要研究内容如下:1.提出了结合注意力机制与双向GRU的文本分类方法,并通过实验证明了双向GRU在处理长文本时,相对于传统方法,在自动特征选择,时间序列依赖关系方面的高效性和稳定性;2.针对本文提出的方法进行了大量实验,通过对实验结果的分析,证明了空洞卷积提在提取本文特征向量时,能够有效地扩大感受视野,保留更多的上下文信息;3.通过对实验过程的分析,证明了注意力机制在文本分类网络中,对文本向量关键词的权重分配,使得网络能够更好的捕捉到关键词信息,能够更快的进行分类;4.通过对实验过程的分析,观察出残差网络在深度神经网络中,能够有效的对网络退化现象起到抑制作用,避免了在较深的网络中,出现次优解的问题;5.通过大量实验,总结出深度神经网络的预设参数对网络性能的影响程度,证明了参数的选择对网络分类效率有非常大的影响,正确的选择预设参数对一个分类网络来说非常重要。综上所述,本文提出来一种根据文本情感对文本进行分类的方法,并在四个公开数据集上对本方法的进行了大量试验。实验证明,本方法在文本情感分类问题上具有非常好的分类效果和稳定的分类能力。