随着信息技术和互联网的飞速发展,各种以文本为载体的信息在博客、微博、新闻等各种媒介上层出不穷。为了更好地利用这些信息,文本分类技术成为了人们关注和研究的热点。本文通过对注意力机制和语义信息的深入研究,提出了基于自注意力机制的文本分类模型SAN、基于多维自注意力机制的文本分类模型MSAN、基于语义的HAN模型SHAN和基于语义的自注意力机制文本分类模型SSAN,提升了文本分类准确率。首先,本文深入分析了文本分类模型HAN,又探讨了各种注意力机制,然后结合了双层句子-文本框架和具有强大信息提取能力的自注意力机制,提出了基于自注意力机制的文本分类模型(SAN)和多维自注意力机制的文本分类模型(MSAN);同时,在HAN和SAN模型的基础上,进一步分析了文本的低层语义中可能蕴含的有效信息,本文提出了基于语义的HAN模型(SHAN)和基于语义的自注意力机制文本分类模型(SSAN)。在验证了模型性能的同时,又对词向量初始化和序列信息的作用进行了实验探索。最终,在20Newsgroups英文数据集上,四个模型分别取得了75.4%、75.3%、74.8%、75.3%的分类正确率,均超过HAN的74.2%和LEAM的74.2%;在复旦新闻中文数据集上,四个模型分别取得了95.7%、95.8%、96.0%、95.9%的分类正确率,均超过HAN的95.1%和LEAM的95.0%。在用不同初始化的词向量实验中,证明了预训练的词向量相比随机初始化的词向量能够大幅度提高文本分类模型的性能;在序列信息的实验中,证明了加入序列信息能够提升文本分类模型的一些性能,且自注意力机制相比于基于RNN的网络结构更加稳定。