在信息时代的今天,各式各样大量的短信息数不胜数,包括手机短信、垃圾邮件、问答及推荐系统的留言、购物平台的商品评价等,及时准确的从短文本库中抽取人类所需的信息是目前文本分类领域面临的一大难题;研究快速、灵活、高效、低耗的短文本内容提取策略是当前学术界的发展趋势,有助于提高用户获取有效信息的质量和速度,满足不同部门新闻分类、情感分类、舆情分析的需求。目前,短文本分类主要包括两种:基于特征工程的机器学习方法和基于神经网络的深度学习方法,本文做的主要工作是:构建多因素(特征的重要性、语义、维度)融合的特征选择函数FS,和传统的特征选择函数对比,FS不仅融入了特征的语义性,而且能够去除大量冗余特征,提高具有类别区分能力特征的权重;把FS作为新的特征选择函数,使用搜狗实验室的中文语料库进行短文本分类实验,验证了方法有效性,提高了短文本分类的准确率。提出一种在双向长短期记忆网络(biLSTM)的基础上结合注意力机制(Attention)和对抗训练的多层级短文本分类模型,模型包括输入层、biLSTM层、注意力机制层、模型优化层,其中输入层由词嵌入部分和词嵌入扰动部分构成,词嵌入扰动部分通过对抗训练对模型输入制造很小的扰动来增加训练过程中的参数更新,biLSTM层可以提取上下文不同距离语义化的信息,注意力机制层对经过biLSTM层编码的数据进行转变加权提升序列化的学习任务;模型优化层利用softmax函数使误差loss极小化并对短文本语料进行分类;在数据集(DBpedia)上进行实验,与分类性能较好的模型(Attention-LSTM)、(Attention-biLSTM)、(CNN-LSTM)、相比,这个多层级的深度学习模型分类性能更好,稳定性、泛化能力较强,预测分类准确率达97%,损失函数值稳定在0.5%左右。