文本分类作为自然语言处理任务中重要的基础任务,根据训练集样本和测试集样本所属的类别集合是否一致,可分为封闭集文本分类和开放集文本分类。如今,解决该任务的主要研究集中在深度学习模型,因此本文以类别一致性为切入角度,同时对两类文本分类任务的深度学习模型进行研究。神经词袋模型是一类解决封闭集文本分类的简单有效模型,然而经过分析,目前该类模型在生成文本向量的时候没有考虑词语对分类的不同区分能力,同时也没有考虑词语的有序性。因此,本文设计了加权词嵌入模型来解决第一个不足和设计了融合多元词的加权词嵌入模型来进一步缓解第二个不足。本文在五个数据集上评估提出的模型并验证了模型的有效性;同时本文通过实例分析和权重值可视化来验证考虑词语对分类的不同重要程度和词语的有序性的必要性。卷积神经网络模型也是一类解决封闭集文本分类的高效模型,然而经过分析,该类模型的卷积操作不擅长捕捉长距离的局部特征,当捕捉的局部特征的长度越长时,模型的参数量也会随着增大,从而导致硬件成本的增加;除此之外,在生成局部特征向量的时候,同样无法显性地考虑词语对分类的不同区分能力。因此,本文设计了融合加权多元词的卷积神经网络模型来缓解两个不足。本文在五个数据集上评估提出的模型并验证了模型的有效性;同时分析了模型的参数量和捕捉的局部特征的长度之间的关系。“深度开放分类模型”是解决开放集文本分类的经典模型,是不可增长型模型中分类性能最佳的模型。然而经过实验观察,可以发现模型中最重要的概率值高斯分布假设并不是一个容易满足的假设。因此,本文设计了开放分类统一框架,通过混合损失函数、批标准化和数据增强三个策略来减小训练集和测试集同类别文本之间的分布差异,使得框架更加满足概率值高斯分布假设。本文在两个数据集上进行了多组实验分析,验证了框架的有效性;同时还设计消融实验分析了混合损失函数、批标准化和数据增强的有效性。