随着互联网的快速发展,网络已经成为人们日常生活中重要的一部分。而智能手机等智能终端设备的出现,使得移动端成为互联网的重要接口。现如今,越来越多的网民选择通过移动端接入互联网,通过移动互联网,人们可以随时获取想要的信息,摆脱了时间和地点的局限。如果说手机是移动网络的接入载体,那么App就是获取信息的重要媒介,各种各样的应用程序已然成为人们网络行为的重要载体。通过各类应用程序,人们可以实现新闻浏览、图书阅读、聊天社交等功能。而随着越来越多的应用程序的出现,App的分类任务也成为一个重要的问题。传统的App分类大多是由人工标注来完成的,一般是由开发者对应用的类别进行标注。带有一定的主观性,同时效率相对较低。基于此,本文提出了一种解决App分类任务的框架。本文的App分类系统是以App的描述文本作为信息源来实现的,属于文本分类的范畴。在过往的研究中,深度学习的方法在文本分类中有着不俗的表现。深度学习通过构建复杂结构的模型对原始输入进行多次非线性变换,从而捕捉文本潜在的语义信息,实现文本分类的目的。在文本分类的过程中,深度学习中使用最广泛的是卷积神经网络模型（Convolutiona Neura Network,CNN）,因其特殊的结构对文本分类任务做出了重要的贡献。严格来说,App的描述信息长短不一,其中包含大量短文本。短文本中所包含的信息较少,同时具有稀疏性的特点。因此,本文中提出一种词向量与主题模型结合的方法,一方面捕捉基于词维度的信息,另一方面捕捉文本的全局语义信息。通过二者的结合,在获取更多的文本语义特征的同时,也对短文本的特征进行了扩充,实现了对文本语义特征的最大化捕捉。另外,通过引入TF-IWF权重,进一步完善了文本的特征表示。最后,将得到的文本特征作为卷积神经网络的输入,最终的模型分类准确率得到了一定的提升。