目前NLP(Natural Language Processing,自然语言处理)已成为机器学习的研究热点之一。文本分类是NLP处理技术的重要分支。本文采用期刊论文作为实验数据,研究了中文文本分类问题,并提出了两种分类模型。一种是基于权重预处理的中文文本分类算法PRE-TF-IDF(Pre-processing Term Frequency Inverse Document Frequency,文本预处理的词频逆文本频)。传统词频算法在对词加权时仅考虑词的出现频率而不考虑词在文本中的位置。PRE-TF-IDF算法通过在TF-IDF(Term Frequency Inverse Document Frequency,词频逆文本频)算法基础上增加权重预处理和词密度权重两个环节,提高了文本分类的准确性。另一种是基于卷积神经网络和支持向量机结合的文本分类模型CNNSVM(Convolutional Neural Network and Support Vector Machine Classifier,卷积神经网络与支持向量机分类器结合模型)。在传统卷积神经网络模型的基础上,增加了注意力机制,同时简化了模型的参数,并使用基于支持向量机的分类器替代传统模型中的softmax层实现文本的分类。提升了特征词语的提取效果,并解决了softmax层泛化能力较弱的问题。