随着互联网的迅速发展,大数据时代的到来,各种终端产生海量的文本数据,其蕴含的丰富语义信息对社会各行各业的发展具有重要的价值。文本分类作为自然语言处理的基础和关键技术,通过对文本数据的预处理和类别划分,提取一种粗粒度的文本语义信息,具有广泛的现实应用前景。近年来,深度学习中的许多网络模型被证实在文本特征表示和文本分类效果上具有出色的性能。本文在分析研究卷积神经网络、循环神经网络和注意力机制的基础上,对注意力机制与神经网络结合的混合深度学习模型解决文本表示及分类问题进行了深入研究,针对文本全局表示上存在的缺陷,提出了一些改进方法,并取得了有效的成果。本文的主要研究工作如下:系统地介绍了文本分类的定义和一般过程,包括文本预处理、文本表示、特征降维以及常用分类方法。通过对各个步骤常用方法的研究及文本分类任务特点的分析,进一步指出传统文本分类方法存在的缺陷,为后续分类网络模型的设计奠定了基础。针对传统卷积神经网络中固定卷积核只能够提取固定尺寸语义特征,不能很好适应不同文本特征尺寸的问题,在卷积层之间采用密集连接代替传统连接方式,在复杂文本语义环境下能够自适应地提取多尺寸语义特征。通过全局深层注意力机制,加强局部特征与文本全局特征表达的联系,使得模型关注整个输入文本最重要的特征信息。实验证明,该模型提升了文本特征表示的质量以及文本分类的效果。针对循环神经网络是一种有偏模型,序列靠后的输入比先前的输入对结果的影响占更主要地位的问题,引入门控循环网络和注意力机制优化文本表示中序列的全局表示。通过对卷积特征提取方式的分析,提出一种多尺度卷积注意力与门控循环网络的隐含层状态加权结合的方法,得到语义特征的注意力分配表示,有效地突出序列中的关键语义信息。实验结果表示,该模型能够提升输入序列特征表示和文本分类的效果。