网络在线视频已经在人们观看视频过程中占据重要地位,成为大众视频消费的主流。“弹幕”因其高互动性和娱乐性开始进入人们的视野,弹幕是指用户在视频网站上观看视频时,可以直接将评论发送并显示在屏幕上方的一种显示方式。如今,国内弹幕应用虽然火爆,但是国内弹幕文化和技术的整体发展时间较短,当前针对弹幕的研究还相对匮乏。随着深度学习技术的不断发展,基于神经网络的垃圾弹幕识别模型被证明具有独特的优势。本文在总结研究传统的分类模型与词向量模型的基础上,探讨对垃圾弹幕文本的识别,针对弹幕独有的特征,构建BERT-DPCNN模型来改进垃圾弹幕的识别方法。本文使用DPCNN作为垃圾弹幕识别模型,以获取更多层次的信息,并在该模型的基础上进行改进,将BERT模型训练得到的文本向量作为改进的DPCNN模型的输入,然后在模型中引入批标准化,构建的BERT-DPCNN垃圾弹幕识别模型,不仅能够提取更多的信息,而且尽可能地避免了深层神经网络梯度消失的问题。本文分别采用电视剧、电影、综艺及直播四个类别的弹幕数据作为数据来源进行试验分析,以验证本文提出模型的表现效果。获取样本集之后,使用BERT-DPCNN模型来对垃圾弹幕进行识别,同时与Text CNN、Bi LSTM、Bi LSTM-Attention和基于word2vec词向量的DPCNN模型进行对比,可以看出,本文提出的改进模型能够理解更多的语义,根据模型的召回率、精准率和F1指标可得,BERT-DPCNN模型在这三个指标上均为最高,能更有效地识别垃圾弹幕。并且,从实验数据中可以看出,涉及到深度模型的一些特征提取方法如本文的BERT模型,相比于基于word2vec的特征提取方法,能够表现出更加明显的优势。本文构建的BERT-DPCNN模型能够存储更多的语义环境信息,为文本分类提供更多的依据,也能够提取出更加深层次的文本特征,是综合表现最优的模型,对于垃圾弹幕的识别具有重要的价值。