文本分类作为自然语言处理(NLP)领域一个经典的研究问题已经得到了很深入的研究,但是传统的文本分类采用词频统计的方式表示文本,忽略了文本的语义信息。随着深度学习浪潮的到来,深度学习以其强大的特征自学习能力为NLP相关任务提供了借鉴。本论文旨在基于深度学习技术进行文本分类研究。具体的研究工作如下:(1)词向量技术研究。传统的文本表示可能导致维数灾难的问题,且向量表示具有“词汇鸿沟”的问题。针对此问题本文根据先前学者对模型的研究,选择采用Word Embedding机制中的Skip-gram模型训练词向量,将文本数据映射到一个可以计算语义关系的低维稠密的实数向量空间。(2)提出WSDPooling文本分类模型。针对传统双向长短时记忆模型(BLSTM)对文本进行特征提取时忽略词语在不同的文档中含义可能不同甚至相反的问题,本文提出基于词义消歧的文本分类模型——WSDPooling。该模型使用BLSTM提取出的文本上下文表示对当前词向量进行词义消歧,将词义消歧后的文档特征图进行平均池化后直接输入到Softmax分类器中完成文本分类任务。(3)提出WSDCNN文本分类模型。针对WSDPooling模型忽略文档局部特征的问题,利用卷积神经网络(CNN)获取局部特征的能力,提出基于词义消歧卷积神经网络模型——WSDCNN。此模型在得到词义消歧文档表示特征图之后,引入卷积神经网络,结合LSTM提取全局特征和CNN提取局部特征的优势完成文本分类任务。(4)深入研究TensorFlow框架,在四个数据集上使用TensorFlow框架对提出的WSDPooling和WSDCNN两个模型进行实验,都表现出了比传统机器学习算法、LSTM模型、CNN模型及相关变种更好的效果,验证了循环神经网络和卷积神经网络的优势互补在文本分类任务中的有效性。