随着科技的迅速发展,文字信息快速增长,如何处理文本并从中挖掘有价值信息成为现代科学研究的重点,文本分类是其中一个重要的研究方向。本文对文本分类过程进行研究,以词向量为基础改进文本分类方法,提高文本分类准确率。首先,针对文本数据表示中存在的特征维度较高和语义关系不明确的问题,用词向量的方式表示词汇,词向量的维度低且在其训练过程中充分利用了文本的上下文信息,从而使词向量具有丰富的语义信息。其次,将文本统计特征和语义特征相结合,提出了互信息度加权词向量的文本分类方法。互信息度体现了文本的统计特征,词向量体现了文本的语义特征,用互信息度加权文本中特征词的词向量并对其求和取平均作为文本向量,从多个维度提取文本特征,再用支持向量机SVM和决策树DT等算法对文本分类,提高文本分类准确率。再次,针对文本具有的序列化特征,利用循环神经网络RNN结构自动提取文本特征,改进RNN文本分类过程,提出了加权循环神经网络文本分类方法W-RNN。自动加权求和每个词向量的中间输出结果形成文本表示向量,进一步利用神经网络进行分类,从更高层提取文本整体信息,获取文本序列化语义特征,提升了文本分类准确率。最后,针对上述所提方法,在新闻数据集上对文本分类方法进行实验,通过实验验证本文所提方法的有效性并对其性能进行分析。