计算机技术的发展加速了信息化时代的进程,同时也造成数据的指数型增长和数据处理工作量的增加。为了更高效地处理文本数据,自然语言处理及其相关研究被广泛关注。文本分类作为自然语言处理的子任务,在多个领域有着非常广泛的应用,如新闻分类、数字图书馆、情绪分析以及垃圾邮件过滤等。从目前的相关研究来看,在保证分类器能够充分训练的前提下,基于深度神经网络的文本分类方法已明显优于基于传统机器学习的文本分类方法。因此,深度神经网络的结构和应用将会是文本分类性能提升的重要途径和文本分类领域的主要研究方向。文本分类的效果不仅取决于分类器的设置,如何构造文本特征也尤为重要。对于离散的文本数据,构造特定的、可解释的语言模型来获取文本的嵌入表示,通过改进特征嵌入表示方法可以提高文本量化的质量,是间接提高分类器性能的有效方法。在文本分类领域中,现有的文本分类方法均通过结合文本量化方法和文本分类器取得了优异的性能,所以改进特征嵌入表示方法并将其与深度神经网络相结合是提高文本分类性能的有效方式。本文通过对文本分类应用和过程的分析,具体阐述了研究基于特征嵌入表示的文本分类方法的意义,具体研究内容如下:(1)提出一种结合动态语义表示模型和深度神经网络(DSRM-DNN)的多标签文本分类方法。利用词嵌入模型和聚类算法来选择语义词,将被选择的语义词作为DSRM-DNN的基本元素,通过词属性的加权组合进行量化。将深度信念网络与反向传播神经网络相结合构造文本分类器,使低频词和新词在稀疏约束下用现有的语义词重新表达。在RCV1-v2、Reuters21578、EUR-Lex和Bookmarks等数据集的实验结果表明DSRM-DNN方法优于比较方法。(2)提出一个结合字符级卷积神经网络和生成对抗网络的文本分类框架(CCNNGAN)。利用字符级卷积神经网络对文本进行量化,将文本特征分别输入到对抗网络和分类器中。在数据扩充模块中,利用处理后的真实数据对生成器和判别器进行训练,使生成分布与真实数据分布不断吻合。分类器通过真实数据和生成数据进行协同增量训练,这样既解决了小样本的问题,又减少了文本生成的计算消耗。通过在四个公开数据集上的大量实验证明CCNN-GAN方法明显优于比较方法。