随着互联网技术的快速发展,带来了文本数据的快速增长,文本数据在这种增长趋势下,采用深度学习模型对文本进行分类受到了研究者的关注.近年来,卷积神经网络(Convolution Neural Network,CNN)作为深度学习中一个重要的网络模型利用其自身的优势,可以分类大规模文本数据,表明了 CNN在文本分类领域具有很大的应用价值.本文主要对基于CNN的文本分类问题进行了研究.首先构建了基于CNN的文本分类模型,经过实验结果比较,基于CNN的文本分类模型中采用ReLU激活函数和最大池化方法.本文又针对基于CNN的文本分类模型过拟合和训练耗时的问题,构建了基于稀疏Dropout卷积神经网络的文本分类模型(Sparse dropout constrained convolutional neural network,SDCNN).为验证CNN模型和SDCNN模型在文本数据上的分类性能,本文采用英文Reuters-21578数据集进行实验.实验结果表明,本文构建的CNN模型的分类准确率和精确率均优于KNN模型、BP模型、SVM模型和AE模型.相比CNN模型,SDCNN模型不仅解决了过拟合和训练耗时的问题,也提高了文本分类的准确率.