随着移动互联网的蓬勃发展,繁杂的信息以各种形式出现在了人们的生活当中。文字作为信息的主要载体之一,在生活中承担着信息传播桥梁的作用。如今,面对海量的数据,依靠计算机对文本进行处理就成为了极佳的,也是必要的选择。文本分类（Text Classification）作为自然语言处理（Natural Language Processing,NLP）领域最基础的任务之一,作用巨大,影响深远。从初期基于情感词典的文本分类算法,发展至基于机器学习、深度学习的算法,文本分类任务经历了迅速且深刻的发展。文本分类任务拥有广泛的应用范围与巨大的使用价值,因此,构建科学可靠的文本分类模型尤为必要。本文主要通过深度学习的方法,重点围绕提升文本分类准确率与F1值,对当前文本分类模型进行了一定的融合与改进,以期得到性能良好的模型,并通过实验应用于多个数据集验证其分类效果。本文主要工作及创新点如下:1.首先介绍了本文使用的相关数据集,同时以网络影评数据集为例阐述了文本预处理的过程,并给出了相关步骤的处理结果。之后介绍文本分类任务最主要的四个评价指标:准确率、精确率、召回率与F1值。而后,针对此前文本分类、情感分析算法的准确率、F1值等评价指标存在一定提升空间的问题,本文融合卷积神经网络（CNN）与双向门控循环单元（BiGRU）,结合卷积神经网络卷积层对局部特征的提取,以及双向门控循环单元同时关注文本前后两个输入方向提取特征的优点,并总结他人使用BiGRU层数少,导致特征提取不全面,使用BiGRU层数过多,导致训练速度较慢的问题,通过实验得到合适的多层BiGRU,既可以在文本分类准确率、F1值等方面获得提升,同时通过适当的多层BiGRU确保整体模型训练时间适中,在连接全连接层以后通过sigmoid函数输出情感极性,设计出基于Word2vec词向量的CMBG模型,在网络影评数据集和酒店评论数据集上的实验表明,本文提出的模型较之前模型取得了一定的进步。2.情感分析是对文本情感进行积极与消极的二分类,但是存在如新闻类别等多分类任务,本章提出了基于改进Adam优化器并融合Transformer机制的TCNNn（Transformer+CNN+n Adam）模型,通过注意力机制学习和计算输入数据的贡献大小,建立文本中每个词的自相关性,结合CNN对局部特征的提取的特性,在新闻文本数据集上进行了分类实验。另外,为了更进一步验证该模型的有效性,本文最后还开展了消融实验,对比实验与消融实验的结果均证实该模型在文本分类评价指标上较基线模型确有提升,验证了该模型的有效性。