在当今大数据时代下,互联网上遍布图像、语音、文本等各类数据信息,其中文本信息占重要地位。而根据文本的语义信息对其进行主题分类是文本挖掘、大数据领域的一项重要课题,便于人们对数据进行整理和分析,因此,语义分类技术具有极其重要的意义。与此同时,互联网的快速发展增加了谣言传播的速度和广度,“谣言泛滥”现象日趋严重,极大的影响了人们的生产生活和社会秩序。因此,对谣言进行检测也具有十分重要的意义。本文通过对目前流行的Text CNN、Bi LSTM、RCNN以及注意力机制进行了深入研究,发现Bi LSTM和Text CNN网络在语义分类领域取得了较好的应用效果,二者的结合可以充分发挥CNN的特征提取能力和Bi LSTM的上下文依赖能力,但缺点是没有体现出每个词语在文本中的重要程度,无法将注意力集中在重要的词上。为了解决此问题,本文提出一种基于Bi LSTM-Attention-CNN组合神经网络的文本语义分类模型。在Bi LSTM层之后加入注意力机制(Attention)提取输出信息的注意力分值;注意力层之后,连接k-max池化层,提取前k个重要的词,增强模型特征的表达能力;最后,连接Text CNN网络,发挥其特征提取优势,输出分类结果。实验在DBPedia、AGNews以及Sogou三种数据集上进行,实验结果表明:当k-max池化层中的k值设定为8时,本文提出的模型效果最佳,相较于其他网络模型,Bi LSTM-Attention-CNN组合神经网络模型分类准确率提高了1_~2个百分点。本文在提出Bi LSTM-Attention-CNN组合神经网络模型后,将其应用到谣言检测领域,使用该模型将谣言文本细分为如社会类谣言、时政类谣言、娱乐类谣言等10个主题类别的谣言。根据研究发现,每类谣言都有其相应的特征,因此,分类后在每个类别的谣言文本下再进行谣言检测。本文采用BERT预训练模型进行谣言检测,实验在中科院互联网虚假新闻数据集MCG-FNews上进行,实验结果表明:分类之后的检测正确率较分类之前有一定程度的提升。综上所述,本文在对目前流行的网络模型进行深入研究后,发现不同网络的优势没有得到整合,因此,提出本文的Bi LSTM-Attention-CNN组合神经网络语义分类模型,并应用到谣言检测领域,即将谣言数据集分为不同的主题类型谣言,在不同类型的谣言下使用BERT模型进行检测,提升检测效果。