近年来,伴随互联网的快速发展以及生活节奏的加快,人们越来越习惯于从互联网平台中获取和分享信息,这也导致网络中产生了大量的短文本信息。一些内容分发、信息检索、社交网络平台,均是产生短文本信息的来源。如果我们能从海量的信息中提取相关主题并将其分门别类,可以从一定程度上减轻信息过载对我们的影响。因此,如何有效提取信息的主题并进行快速分类日益受到研究者的关注。短文本分类目前面临的主要困难在于文本自身长度太短,导致提取的特征过于稀少、上下文信息量偏少等问题。由于通过外部语料和知识库对短文本进行特征扩展时,不仅扩展所需的时间过长,还容易引入噪声数据。此外,传统的向量空间模型和机器学习分类算法直接应用到短文本分类上效果不甚理想。针对短文本特征过于稀疏,使用外部语料进行特征扩展时容易引入噪声数据的问题,采用了一种基于主题模型的特征扩展方式,该方式利用WTTM模型来获取主题–词分布,并通过该分布来完成对短文本内容上的主题特征扩展。针对扩展特征与原特征的差异,在计算被扩展特征的特征权重时,融入扩展特征与原特征的语义相似性,使两者特征之间的语义联系更加紧密,从而使文本分类的结果更加准确。综上,提出一种词向量与主题模型相融合的短文本分类方法,为了验证该方法的有效性,将该短文本分类算法与其它短文本分类方法进行对比分析。实验结果表明,利用该方法对短文本进行文本分类时,可以使最终的分类效果得到提升。