近几年,互联网技术以日新月异的发展速度呈现在了大众的面前,其承载的信息量更是随着大数据和人工智能新技术的发展逐年飙升。在互联网信息的主要传播媒介中,每天爆炸增长产生的短文本信息占据了很大的比例。然而由于短文本具有特征稀疏、上下文联系弱等特点,传统文本分类方法用于短文本信息提取时变得越来越困难。深度学习理论自提出以来就引起了学者们的关注,最具有代表性的就是卷积神经网络模型在文本分类任务中的应用,解决了传统文本分类方法缺乏自动提取文本特征能力的问题,并且表现出了不错的应用价值与发展前景。因此本文结合卷积神经网络模型,针对短文本分类完成了以下研究工作:首先,在国内外短文本分类方法的研究背景下,本文深入研究了传统机器学习文本分类方法和短文本分类相关的基础理论,剖析了目前短文本分类方法可以借鉴和待改进的地方。其次,针对传统的多尺寸滤波器卷积神经网络在文本分类过程中只能获取简单的词向量特征而忽略了文本上下文重要特征的问题,本文提出了一种基于N-Gram和卷积神经网络的短文本分类方法。该短文本分类方法以多尺寸滤波器卷积神经网络为基础,采用N-Gram模型的滑动窗口机制来获取这些短文本的上下文关联关系。同时为了提取到短文本的关键特征,在分类模型中应用了注意力机制,并且使用两种不同池化方式相结合的操作,使得分类的结果更加准确且可靠。实验结果证明了本文提出的基于N-Gram和卷积神经网络的短文本分类方法具有很好的分类效果与性能。最后,针对传统的短文本分类方法在面对短文本数据稀疏和语义特征不足时,分类表现效果不佳的问题,本文提出了一种基于卷积神经网络和语义扩展的短文本分类方法。首先在短文本预处理过程中,通过发现可能存在的拼写错误来提高预训练词向量表的覆盖率。然后针对短文本所能提供的语义信息有限的问题,利用注意力机制来发现短文本相关词,并引入外部知识库对短文本及其相关词进行概念化,扩展了短文本的语义。最后结合多尺寸滤波器卷积神经网络模型提取短文本特征,完成分类过程。实验结果表明,该方法在短文本分类任务中是可行的,且分类效果明显。图13幅,表4个,参考文献56篇。