随着互联网技术的不断进步,互联网中的信息更加呈现出杂乱无章的特点,尤其是海量信息中掺杂的负面以及虚假信息对社会带来各种不良影响,于是对信息的整理和归纳就显得十分有必要。文本分类技术具有对文本进行快速且准确自动分类的优点,因此得到了大家的强烈关注并成为了研究热点。早期的文本分类方法主要是利用传统的机器学习算法,虽然有一定的成效但还是会出现各种问题。本文主要利用深度学习方法和注意力机制来解决文本分类问题。从提取文本语义特征不丰富的角度利用深度学习方法进一步丰富文本语义特征,提高分类准确率;从不能很好突出对分类结果有重要作用信息的角度利用注意力机制加大对分类效果有重要作用特征的权重,突出它的重要性以此提高分类准确率。因此,本文的主要工作包括:（1）针对之前模型无法同时考虑到当前时刻之前和之后的状态,从而导致最后分类效果不佳的情况。以及大多数文本分类模型利用单一来源词向量中对于有些未出现的词直接删除处理或随机初始化造成语义信息丢失和单一来源词向量融合成单通道造成语义特征不丰富的问题。提出一种基于CNN的多通道特征表示文本分类模型（MCCNN）。模型将不同来源的词向量作为两个双向长短期记忆网络的输入,每个时刻的正向和逆向输出按序垂直堆叠形成多通道的文本特征表示,以此达到同时捕获上下文的信息的作用,从而进一步丰富特征表示语义信息。然后利用多尺度卷积网络来进一步使得模型能够同时充分考虑到当前时刻之前及之后的信息,从而更加有效地进行文本分类。（2）针对循环神经网络在对整个序列建模时不能很好地提取局部关键短语信息的缺点以及传统文本分类模型不能突出对分类效果有重要作用的特征序列问题,提出了一种基于注意力机制的中断循环神经网络文本分类模型（Att DRNN）,该方法通过限制循环神经网络信息传递的距离让循环神经网络具有像卷积神经网络一样提取局部位置不变性的能力并以此获得关键短语信息相同的表示,另外使用注意力机制对重要特征赋予更大权重来突出对分类效果有重要作用的特征序列,从而提高分类准确率。