随着移动通信技术的快速发展和移动电话的普及,运营商短消息业务己经具有十分庞大的业务量。但是,与此同时不良短信的泛滥也日趋严重,由此而导致的居民财产损失、个人隐私泄露等事件时有发生。因此对不良短信进行有效治理具有重要意义。针对短信文本特性稀疏、噪声大的特点,本文提出基于深度学习的DBiGRU-Atten模型对不良短信进行识别。DBiGRU-Atten模型能够通过深度神经网络自动提取短信文本的高阶特征,并可以结合注意力机制对短信文本中的关键信息进行筛选。此外,由于短信内容不规范,其中存在大量的未登录词。为了解决未登录词的表示问题,本文采用了基于N-Gram特征的FastText词嵌入模型。实验数据显示,使用FastText词向量的DBiGRU-Atten模型能够在测试集中取得高达0.98 的 F1 值。针对不良短信内容类型多样,需要进一步挖掘不良短信的内容信息,本文建立了一个针对不良短信内容类型的细粒度分类模型。由于缺乏足够的标注数据,本文采用了半监督的标签传播算法来实现不良短信的内容分类。另外,通过对比多种数据采样方法,改进了样本不均衡问题。为了进一步提升模型分类性能,本文在构建文本特征时采用了基于神经网络的Doc2Vec文本表示模型。实验结果表明,采用Doc2Vec文本向量使标签传播算法的整体分类效果提升了约10%。为了协助不良短信的治理工作,帮助相关人员掌握当前不良短信内容的分布态势,本文结合上述工作建立了一个不良短信内容分析系统。实验结果表明,该系统能够准确识别不良短信并自动分析其内容类型。此外,该系统还具有数据可视化功能,能够直观展示不良短信内容的相关统计指标。