随着网络的普及与发展,越来越多的使用者通过网络发表信息和交换个人意见,造成了网络中信息数据的爆炸式增长。由于网络的开放性和包容性,大量的信息充斥在网络环境中,实时监测网络环境,分析网络信息的情绪倾向,对维护网络的内容安全具有重大的意义。但通过人工的方式对如此庞大的数量级的信息进行处理分析是完全不可能实现的,而一般的数据处理及分类技术如关键词过滤等,虽然可以解决样本处理的效率问题,但由于语言表达方式的复杂性,并不能保证样本分类的精度。本文结合了安全和智能这两个当前计算机领域的重要研究方向,针对处理网络大量数据的内容安全问题,利用自然语言处理的相关技术,采用深度学习模型,通过利用神经网络模型对文本样本进行训练学习,根据样本的情绪倾向进行分类,实现对大量网络文本信息的高效处理。由于长短期记忆网络(LSTM,Long Short-Term Memory)在处理时间序列和延迟相对较长的任务方面所具有的优势,使得它在许多深度学习的相关领域得到了充分的应用。针对当前网络环境中越来越多样化的意见表达方式以及爆炸式的信息增长速率,本文提出了一种基于多维度LSTM的网络内容安全文本分类模型。该模型可以充分利用样本的附加信息,以提高分类的精度。在本篇论文中,将原始样本处理成主要信息样本和附加信息样本,并利用多维度LSTM分类模型分别提取两类样本的特征向量。最后进行特征融合,根据分类器的计算结果确定样本情绪类别。本文利用Tensorflow对该模型进行了仿真实验,并对实验结果进行了分析,实验结果证明多维度LSTM模型对分类精度的提高有较大的积极作用。