随着信息技术的迅速发展,特别是Internet的普及,信息容量呈爆炸性趋势增长,人们迫切需要一种技术来高效地组织和管理信息。文本分类技术能够精细高效地寻找到关键信息与文本特征,可以是我们快速的获取对人们有利用价值的信息。在机器学习领域,已经存在许多的文本分类方法,这些方法在多方面做出了比传统方法优秀的成绩,比如分类效果、灵活性、泛化能力等,现如今基于机器学习的文本分类方法已经成为相关领域研究和应用的经典范例。论文首先介绍了文本分类技术的一般过程和相关技术,分析了文本分类技术在国内外的研究发展现状,在结合机器学习理论的基础上提出了论文的主要研究内容。传统的基于深度学习的文档分类方法需要使用全文信息来提取特征。在本文中,为了处理长文档,我们提出了三种使用局部卷积特征聚合来实现文档分类的方法。第一个提出的方法是在完整文档中随机采样连续的单词块,然后将每个块输送到卷积神经网络中以提取特征,然后将它们连接在一起以通过分类器输出分类概率。第二个模型通过使用循环神经网络捕获采样块的上下文顺序信息来改进第一个模型。第三个模型的灵感来自循环注意模型(RAM),其中引入强化学习模块作为控制器,用隐含层状态来选择下一个块的位置。我们收集的四类arXiv论文数据集的实验表明,所提出的三种模型都表现良好,第三个模型以最少的信息实现了最佳的测试精度。