随着深度神经网络技术的发展,基于领域文本数据集训练得到的深度神经网络模型逐渐应用到社会各个领域,用来解决各个领域中的实际问题。深度学习模型的构建需要大规模、高质量领域文本数据作为训练集。在实践中,领域文本获取成本高等原因会造成缺乏训练数据、样本分布不均衡等问题,并会导致深度学习模型的泛化能力较差。数据扩增是一种可以提高训练集大小的技术。目前,常用文本数据扩增技术处理文本数据时易影响体现文本领域特征的词语及语义结构信息,导致扩增后文本质量差,对于模型泛化能力的提高作用有限。鉴于此,本文以司法领域数据集为例,设计并实现了基于领域特征的文本数据扩增技术,包括对领域文本数据集的预处理步骤和四种特征扩增方法。数据集预处理是为后续基于领域特征的文本数据扩增提供支撑。基于TF-IDF权重的特征裁剪扩增方法是以文本分词在数据集中的TF-IDF值为依据,结合依存句法分析技术进行剪枝操作;基于主题模型的特征融合扩增方法是使用主题模型技术聚类数据集中相似文本,将待扩增文本与相似目标文本进行内容交换;基于依存句法的特征变换扩增方法是使用依存句法分析技术解构文本,将句法树中依存关系相同的树枝进行交换;基于词频词性的特征替换方法是基于领域数据集分析构建高频词表和词向量模型,将文本中符合高频词和相关词性的词语使用词向量模型推荐领域近义词进行替换。本文通过设计对比实验,在司法数据集上构建高质量文本分类模型,将特征扩增文本和EDA扩增文本作为测试集,实验表明特征扩增文本在保持类别标签方面表现较好,有效地保持了文本的领域特征。其次,在司法和媒体领域原始数据训练集中加入使用特征扩增方法和EDA方法扩增的数据,相比于原始数据训练的CNN和RNN模型,加入扩增数据后的模型准确率提升。总体而言,加入特征扩增文本的模型比加入EDA扩增文本的模型在测试集上的准确率提高幅度更大。实验表明,基于领域特征的文本数据扩增技术具有一定的实用性和有效性。