随着社会发展,专利的申请数量越来越多,专利文献中含有大量的发明创造技术信息,使用专利文献中的科学技术,可以很大程度的降低研发成本和开发周期,所以如何从专利中获取丰富的科学技术信息成为人们关心的重点。目前,人们多采用半自动分类的方式,来辅助专利分类人员的专利分类工作,虽然在一定程度上减少了分类人员的工作量,但是这种方式仍存在一定的不足。随着深度学习在自然语言处理领域的深入发展,为专利文本自动分类提供了技术支撑。本文利用深度学习方法,通过模型设计,实现了一种比较高效的文本分类方法,主要工作如下:一是设计网络爬虫策略,使用python编程语言获取中文专利文本数据,构建分类模型的训练集和测试集,为中文专利文本分类提供数据支撑;二是在文本预处理时,采用结巴分词系统,另外加入自行建立的领域用户词典进行分词,在分词后使用自定义的停用词典,去除一些对分类任务不重要的词;三是阐述了卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆神经网络(Long Short-Term Memory,LSTM)原理知识,在构建中文专利文本分类算法时,结合CNN提取局部特征和Bi LSTM序列化提取全局特征的优势,在BiLSTM隐藏层引入注意力机制(Attention机制),提出了BiLSTM_ATT_CNN组合模型,该组合模型能够更好的完成专利文本分类任务。通过设计多组对比实验,验证了BiLSTM_ATT_CNN组合模型比其他四种模型的分类效果较优;四是为了能够实现中文专利文本自动分类,设计了中文专利文本分类系统,对该系统的需求和目的进行分析,设计了系统的功能架构和技术架构,并详细设计了中文专利文本数据采集、文本预处理、文本表示和专利分类等模块,通过测试,验证了该系统能够实现基本的中文专利文本自动分类功能。