随着互联网和社交媒体的飞速发展,用户每时每刻都会生成大量的短文本数据,如何对海量短文本数据进行高效、准确的特征表示与分类,已成为大数据挖掘和自然语言处理领域研究的重点。网络用户生成的短文本具有词语稀疏、语义模糊及内容表达随意等特点,导致短文本表示相关研究的难度增大,而混合语义学习可兼顾浅层统计特征与深度语义特征、全局特征与局部特征,成为近年来研究的热点。此外,文本分类作为最常见、应用最为广泛的自然语言处理任务之一,目前面临两项重大挑战:一是细粒度的短文本分类方法还比较欠缺、分类性能需进一步提升;二是现实中缺乏足够的标注样本,造成短文本分类模型泛化性能低下、不满足需求。因此,本文开展基于混合语义学习的短文本表示与分类关键技术研究,旨在为短文本表示、多标签分类及小样本条件下分类应用提供模型与技术支撑,主要研究内容和创新点包括以下三个方面:第一,提出基于ETI-AWE的短文本混合语义表示方法。首先,在不改变原文本语序和语义的基础上提出一种基于滑动窗口的文本序列扩展模型,并结合主题模型生成了文本的扩展主题信息（ETI）。其次,为降低直接使用基于深度语言模型的词嵌入而引入的噪音,提出一种TF-IWF与词嵌入模型相结合的注意力词嵌入模型（AWE）,该模型可增加（降低）“高（低）价值”词语的词嵌入权重,提高基于词嵌入的文本表示的准确性。最后,为提高短文本特征表示的准确性和完整性,以文本长度为自变量设计ETI与AWE相结合的信息融合策略,用于对短文本进行混合语义表示。综合实验结果为,TW-W2V＿DF在IMDB数据集上的表现比最优的FPW模型准确率提升了1.08%。此外,其他实验结果还表明,本文提出的ETI模型可提高短文本主题的质量,AWE模型能够提高词嵌入的准确性,基于ETI-AWE的混合语义表示方法能够提升短文本特征表示的完整性和准确性。第二,提出基于t ALBERT-CNN的短文本多标签分类方法。首先,在短文本混合语义表示和相关词嵌入模型研究的基础上,提出一种基于t ALBERT的细粒度短文本混合语义表示模型,提高多标签分类模型的输入质量。其次,提出基于t ALBERT-CNN的短文本多标签分类模型,该模型通过使用不同高度（宽度不变）的卷积核实现了多种词距内的特征提取,通过使用多个同一高度的卷积核实现了同一词距内多种特征的提取,通过将提取的特征向标签空间映射的方式解决了标签爆炸问题。最后,对基于样本的多标签分类评价指标进行系统的分析,并指出每种指标的优缺点以及可能产生的影响。在AAPD、IMDB和Reuters-21578等三个数据集上的实验结果为,在最苛刻的多标签分类评价指标子集准确率（SA）上,比表现最优的LDASeq2Seq＿A模型分别提升了4.56%、1.64%和0.14%,结果表明本文的方法具有先进性和有效性。第三,提出基于MAML-FCS的小样本文本分类方法。首先在短文本混合语义表示和元学习方法研究的基础上,提出基于MAML＿CNN的小样本任务基础特征学习模型,该模型通过在大量标注数据（与目标任务相近或相似领域）的小样本任务进行训练,使模型具有提取小样本任务基础特征的能力。其次,提出基于FCS的小样本分类模型,该模型在基础特征学习的基础上,通过目标任务中少数几个标注样本微调MAML＿CNN模型使其具备提取目标任务特征的能力,之后通过计算质心的方式获取类别的一般表示（原型表示）,并通过查询样本特征与原型表示的余弦相似度确定查询样本的类别。实验结果为,本文的方法总体上优于基线模型。例如,在ARSC数据集上,MAML-FCS比基于度量的方法平均准确率提高了0.33%～32.50%,比基于模型的方法平均准确率提高了0.69%～5.47%,比基于优化的方法平均准确率提高了0.51%～11.58%。结果表明,本文的方法可有效提升小样本文本分类模型的泛化性能和分类的准确率。本文提出的ETI-AWE混合语义表示、t ALBERT-CNN多标签分类、MAML-FCS小样本分类等方法是针对互联网用户生成的短文本数据挖掘与分类开展的研究,三者互相补充、互相联系,共同为相关应用提供基础技术支撑。