文本分类是目前自然语言处理领域最基础的任务之一,在信息检索、推荐系统等领域都有着广泛的研究和应用。传统的文本分类方法通过人工特征工程等方法对文本进行表示,再选择合适的分类器对文本表示进行分类。随着机器学习和深度学习的发展,一些基于神经网络的嵌入模型也在文本分类领域取得了出色的应用效果,尤其在英文文本分类领域。相较于英文文本分类,中文文本分类近几年才得到了广泛的关注,然而,由于其应用场景的差异和中文单词没有天然分隔符的特点,给中文文本分类带来了巨大挑战。因而进一步研究适用于不同场景的中文文本分类的算法具有重要意义和应用价值。基于此,本文开展了基于神经网络嵌入模型的中文文本分类方法研究,主要研究工作如下:(1)实际应用领域如税收领域开具的增值税发票数据具有总体数据量大、每条文本信息量少、特征项模糊等特点,这种海量极短中文文本数据的特点导致传统表示学习算法难以处理向量稀疏和维度灾难的问题。因此,本文提出一种基于词句嵌入模型的中文极短文本分类方法。首先,借助海量语料库使用基于神经网络的词句嵌入模型对文本进行有效表示,进而结合分类器对文本进行分类。最后,在税收编码分类任务的1600万真实数据集上的实验结果表明:该方法在精度上优于对比算法,可有效地提高海量极短文本的分类效果。(2)不同于英文文本,中文单词间没有自然的分隔符,为了降低分词错误造成的影响并充分利用文本自身的信息,本文提出一种针对中文的基于神经网络的动态结合字词嵌入文本分类模型。通过引入字符级和单词级Bi LSTM模型提取不定长的文本特征,在不需任何外部知识的情况下可以更准确、更容易地对中文文本进行表示和分类。最后,在5个公共中文文本数据集和6个基准算法进行了实验对比,在精度与加权平均F1值上的实验结果验证了所提方法的有效性和稳定性。