随着互联网的快速发展,人们日常生活中的沟通交流、信息获取、互动娱乐都高度网络化。其中网络新闻成为了人们获取新闻资讯的重要途径,网络社交平台成为了人们发表言论的重要场所。网络舆情的分析对相关政府部门了解民生、制定政策显得越来越重要。网络上的新闻报道与社交平台上用户发布的内容种类多样,需要对其按照一定的需求进行分类,才能满足面向某些特定领域舆情分析的要求。针对此类问题进行研究后,’本文提出了一套基于词向量的短文本分类框架,主要工作总结如下：(1)本文深入研究了传统的向量空间模型以及短文本的特点,认为向量空间模型非常适合对长文本建模,但难以很好的表达只包含少量词语的短文本,因此引入分布式表达词向量对短文本进行表示。(2)本文研究了基于神经概率语言模型的词向量生成算法,并在Word2Vec的基础上提出了加权连续词袋模型(Weighted Continuous Bag of Words)。同时也研究了主题模型LDA,并提出基于主题分布的词向量生成算法(Word2TopicVec)。(3)本文提出了基于词向量的短文本分类框架,并重点研究了基于词向量相似性度量的短文本扩展方法和基于多种词向量协同表达的短文本特征构造方法。(4)本文通过抓取纽约时报2011年至2013年7个类别的新闻标题和内容构建了实验数据集。我们在此数据集以及复旦中文分类数据集上对比了基准分类方法与本文提出的基于词向量的短文本分类方法的效果,实验结果证明了本文提出方法的有效性。另外,作者还将本文提出的短文本分类方法应用到面向公共安全的跨媒体方法验证平台新闻分类模块。