互联网技术在近年来得到了飞速的发展,人们学习与生活的方式也不断发生着变化,由互联网产生的内容信息数量呈现爆炸式的增长。为适应移动端碎片化的使用场景,以网络新闻、商品评论等形式出现的短文本内容信息成为文本数据在互联网内容中的主要呈现形式。面对海量的短文本数据,对短文本进行有效的分类不仅可以显著的缩小数据规模,精确的理解文本信息的内容,也对新闻推送、流量分发等领域有着重要的影响。由于短文本数据具有词汇量少,信息单元不密集的特点,传统的长文本分类方法难以直接取得良好的分类效果。针对此问题,本文提出了一种融合主题模型与词向量模型的短文本分类方法,该方法使用改进后的TF-IDF模型与词向量模型构建类别关键词集,并利用类别关键词集对待扩展词汇的类别辨识度进行判断,最后通过词向量余弦相似度的计算完成对短文本内容上的扩充。使用LDA模型构建类别主题分布集,完成对短文本词汇表征在主题粒度下的扩展,由于将类别特征引入至短文本扩充中来,本文所提出的方法在一定程度上避免了传统短文本内容扩展方法中的无效扩充问题,提升了短文本扩充的有效性。在文本分类阶段,本文改进了基于深度学习网络TextCNN文本分类方法,对卷积后特征图的权重进行建模,增强了卷积神经网络对文本内容信息的采集能力,实验表明,本文所提出的分类模型能够在不同长度的短文本数据中取更好的结果。此外,为了解决半监督短文本分类中的文本表征精确度低及内容稀疏问题,本文将提出的短文本内容扩展方法以及改进后的词汇向量表征形式引入到半监督条件下,对传统半监督模型下的自训练分类方法与协同训练方法进行了优化,实验表明,本文所提出的文本内容扩展方法以及改进后的词汇向量均能对半监督分类方法产生正向的影响,获得较好的短文本分类效果。