随着电商销售模式的不断发展壮大,作为网络销售平台中不可或缺的一部分,商品自动分类系统引起很多研究人员的关注。如何将商品标题文本数据进行精准有效的分类,助力商家准确定位商品类别,为消费者在海量商品中快速准确地的检索到所需商品信息提供便利,成为了一个有现实意义的研究课题。目前,在文本分类领域涉及商品标题文本数据的分类研究较少,现有模型并不针对网络销售平台中商品标题文本的特点。因此,针对商品标题文本的特点,本文提出了基于时间卷积网络（Temporal Convolutional Network）的商品标题文本分类模型BiTCN。该模型主要利用因果空洞卷积灵活的感受野,通过双向时间卷积网络的方式,从正反两个方向并行地处理输入信息,进一步获取商品标题文本的深层语义特征,捕捉文本上下文依赖信息。本文的主要工作可以概述为以下几个方面:（1）针对传统的机器学习在对商品标题文本进行分类时存在的不足,本文利用深度学习中TCN灵活的感受野和能够捕捉长距离依赖的优势,提出了一种基于时间卷积网络的商品标题文本分类模型BiTCN,充分地捕捉文本深层语义特征和上下文依赖关系,实现了商品标题文本分类任务。（2）为了测试本文基于时间卷积网络的BiTCN模型分类器的分类性能,论文设置了对比实验,将使用BiTCN-Word模型分别与传统的深度学习模型TextCNN和FastText等进行了比较,论文选取了各类商品标题文本的数据集进行模型训练。根据实验结果显示,BiTCN-Word模型的分类器性能明显提升,在一定程度上优于其他分类模型在商品分类任务中的表现。