自然语言处理是指利用计算机对文本进行处理,主要包括分析文本(例如:情感分析、文本分类),提取关键信息(例如:关键词抓取)以及利用不同的方式表征同一文本信息(例如:机器翻译)等。随着移动互联网、社交和新媒体等网络平台爆发式的增长,网络中充斥了大量缺乏有效信息组织但具有研究价值的文本,而文本分类作为自然语言处理的关键技术之一,能够有效解决信息杂乱等问题,并广泛应用于搜索引擎、垃圾邮件过滤、个性化新闻和资料分类等领域。深度学习在自然语言处理上有着广泛的应用,但由于自然语言本身结构的特殊性,文本在上下文中存在一定的关联关系,并且这些模型相较于图像处理和语音识别领域,其深度仍存在一定的差距,导致现有的神经网络模型用以文本分类,分类效果不理想,同时,由于中文语句与英文语句的结构不同,导致目前常用的中文分词方法在分词之后相对于原语句产生歧义,也在一定程度上影响了文本分类的准确率。针对于上述问题,本文对中文分词、文本的表达以及分类模型进行了研究和改进。在中文分词部分,本文提出了基于双向LSTM的中文分词方法,利用LSTM的隐藏层记录任意长度历史的优点,同时结合字标注法,使得分词过程中能够有效利用上下文的历史关联关系,在一定程度上降低了分词所产生的歧义;在文本表达和神经网络分类模型部分,由于倒装、提前等自然语言现象使文本可能与前文有着很强的上下文依赖关系,导致现有的文本分类模型存在卷积核大小难以确定,文本向量维度过高等问题,并且这些文本分类模型与图像处理和语音识别领域相比,其较浅的深度难以提取文本中深层次的复杂特征,导致最终分类效果不够理想,本文提出一种卷积神经网络模型,在该模型中引入词嵌入层将文本转换为词向量,即表达了词与词之间的关系,又降低了维度和向量稀疏,很好地被提取特征,进而有效提升文本的分类效果,同时在该卷积神经网络模型中融入了Batch Normalization和ResNets中的Shortcut,有效解决了随着网络层数深度的增加所带来的梯度消失(Vanishing Gradients)和分类精度下滑问题。鉴于自然语言在长文本上具有前后关联的特性,本文将LSTM网络结构与本文提出的卷积神经网络结构融合,构成混合模型,使得混合模型在特征提取过程中,具备了既保留历史信息又利用前后文信息的能力,弥补了卷积神经网络的不足,最后将本文提出的卷积神经网络模型以及该卷积神经网络与LSTM混合模型进行分类实验,其实验结果与其他分类模型相比,文本分类的准确率得到了明显提升。