随着互联网的极速发展,人们获得信息的方式不单单通过现实生活,更多的是以网络的形式。网络信息在日常生活中带来了巨大的便捷性却离不开文本分类技术的发展,如何将大规模杂乱无序的数据信息挖掘出其中的规律是迫切且有必要的。本文研究的方向为利用主题模型和深度学习模型将网络上的短文本数据进行类别分类。本文提出的基于特征扩展的短文本分类算法中,对大规模的文本数据进行分词过后,没有直接采用常规停用词表进行过滤,而是采用特定停用词表的方式进行过滤。特定停用词表是通过常规停用词表、语料库词表以及主题模型共同产生的,使得文本保留了更多的有效语义特征。针对文档集里存在特征稀疏以及文本词数各不相同的问题,模型采用了基于短文本最大概率主题下对词向量矩阵进行填充和融合层卷积神经网络,一定程度上增加了短文本的有效语义特征。在基于特征扩展的短文本分类算法的基础上进行了部分改进,将其中的卷积神经网络换成了双向长短期记忆网络,并且增加了其余两条特征通路,分别为潜在主题特征通路和加权表示通路。潜在主题特征通路由主题模型产生文本-主题特征向量。加权表示特征通路由词频-逆文档频率和词向量加权求和,并一定程度上避免了分词带来的错误。三条通路产生的短文本特征向量在全连接层的输入部分进行特征融合,以此形成深层次的短文本表示向量极大的丰富了有效语义特征,更好地表征短文本。实验结果显示:平均准确率为97.58%,平均召回率为97.16%,平均F1-Score为97.37%。实验所使用的数据集来自于网络新闻数据集,通过网络新闻数据集中以标题和摘要为短文本的形式对其进行正确的分类。为了验证所提出的短文本分类算法的性能表现,在数据集上进行了一系列的实验对比,准确率、召回率以及F1-Score为模型评价指标,最终的结果显示所提出的短文本分类算法所具有的有效性和准确性。