随着人工智能在人类自然语言中应用的越来越多,NLP(Natural Language Processing)在文本翻译、词性标注以及实体命名等领域中发挥着越来越重要作用。本论文的目的是在基于将计算机视觉中的图片信息和文本特征信息相融合的基础上对文本进行分类处理,主要研究工作由四个部分组成。针对多模态文本分类的词向量问题,设计了一种基于CBOW模型和Skip-Gram模型的SC词向量训练模型;分析已有的文本分类模型方法的优缺点,将已有方法进行创新融合。为了提升文本分类的准确率,我们提出了融合图片特征和文本特征的多模态文本分类模型MTC(Multimodal Text Classification),我们用Word2vec的CBOW和Skip-Gram两种方法对印尼语新闻的标题进行词级的特征提取,同时也用统计学习的方法TF-IDF来提取标题的词频特征和逆文档频率,将提取到的所有标题特征进行加和得到标题的词级特征;再通过将Bi-LSTM与TextCNN结构相融合,得到新的网络结构,来提取标题句子级的特征;将得到的词级特征与句级特征通过融合,作为标题特征。再对新闻的正文部分Bi-LSTM模型提取句级特征,用Bi-LSTM Attention模型提取段落级的特征以及对整个文章的特征进行提取,最后将句级、段落级、全文特征信息进行融合,得到文本特征;对于图像的处理,利用残差网络提取视觉信息特征;最后,使用Attention机制对不同模态的信息进行融合,从而来对文本实现分类。为了证明我们提出方法的有效性与可行性,将本文提出的MTC模型与RNN与CNN模型对比分析,根据对比结果来看,我们提出的MTC模型对文本分类的准确率更高;最后,我们再对我们提出的文本与图像特征相融合的模型,与单用标题特征和单用文本特征对文本进行分类的方法进行对比,结合图片特征的模型对文本的分类效果比其它的模型分类更高效。