互联网的快速发展使得文本信息大量增加,如何对有价值的文本信息进行精确分类是自然语言处理领域研究的热点之一。在进行文本分类时,由于传统方法容易忽略语料特征对分类效果的影响,因此考虑语料本身特征会对文本分类产生积极影响。该文采用有监督机器学习和深度学习分类算法,基于语料特征对文本分类进行了以下研究。首先,针对情感语料情感特征不明显问题,改进了词频逆文档(Term Frequency-Inverse Document Frequency,TF-IDF)特征权重算法。通过构建语料专用情感词典,匹配情感语料,实现了情感语料的特征增强和冗余信息去除,优化了用于情感语料分类的词频逆文档向量空间模型。实验结果证明,针对情感语料,该模型在多种分类器上提高了分类性能。其次,针对文本语料长度不平衡问题,基于卷积神经网络和长短期记忆网络分类模型,改进了模型处理语料数据的方法。在模型数据输入上,采用语句自循环方式对文本语料进行等长化处理,以达到调动全局神经单元提取特征的目的。实验结果表明,该方法加快了模型的收敛速度,提高了不等长语料分类的性能表现。最后,针对特定语料主题性强、上下文语义联系紧密的特点,设计了一种结合卷积神经网络和双向门控循环神经网络的分类模型。该模型采用自训练主题词向量,加强了词语的语义联系,结合卷积神经网络提取局部特征和双向门控循环神经网络捕捉特征前后联系的优势,对语料进行特征降维和上下文语义抽取。实验表明该模型降低了语料数据维度,节省了网络计算资源,提高了特定语料分类的准确率。