现阶段信息数据每天都在以指数级增长,而在海量的信息数据中,文本数据是最为常见的一种。在实际的生活中大部分文本数据集分布都是不平衡的,而原始的文本分类算法大都在平衡的数据集上进行训练,当在实际的数据不平衡的情况下进行应用时,会对模型的分类效果产生较大影响,因此,如何高效的对不平衡文本数据进行分类是一个具有现实意义且急需解决的问题。本文针对不平衡文本数据集（二分类）存在的问题,从类别损失、特征提取两个方向着手进行研究,主要内容如下:（1）为提高模型对正负样本的区分能力以及突出不同样本的错分代价损失,本文提出改进的AUC优化损失函数SMAUC（soft-softmax AUC）,对AUC进行直接优化。将其以辅助损失的形式与焦点损失函数进行结合,构成本文不平衡文本分类模型最终的的损失函数,用以提高模型对少数样本错分的敏感程度。（2）综合考虑传统的采样方法的局限性,本文利用数据增强的方法进行过采样,基于词向量相似度的对少数样本进行关键信息的替换以及回译等操作,丰富少数样本的特征并降低数据集的不平衡率,增强模型对少数样本的识别能力和模型的泛化能力。（3）针对当前文本分类模型对不平衡文本特征提取能力不足的问题,本文基于高低阶特征融合的思想,结合代价敏感与数据增强的方法,提出基于多重注意力的层级并行MA-CNN-Au BiLSTM算法。该算法利用注意力机制进行词向量增强,使模型在后续特征提取更多关注那些对词向量的质量产生影响的特征;利用多通道卷积和BiLSTM网络分别提取局部结构特征和上下文语义特征进行并行融合,并将融合后的特征利用注意力机制进行进一步加权选择,充分学习不平衡文本数据集的特征信息,最后与上文提出的损失函数融合,提高模型整体的分类能力。（4）将不平衡文本分类损失函数以及本文构建的不平衡文本分类模型,在食品安全评论数据集上进行应用并与常用算法模型进行对比,实验结果表明本文提出的算法在各项评价指标中相较于对比模型均有一定程度提升。并且本文对IMDB数据集进行不平衡采样后进行对照实验,结果表明本文在该数据集上相较于其他对比模型效果更优。