传统的文本分类算法需要文本数据具有相对完备且准确的标记数据,然而现实情况中,完备的标记数据难以大量获取。因此,本文研究并验证了一种基于领域本体的语义标注和句群划分的方法,解决了在信息检索、信息抽取和自动文摘等领域的应用中,将弱标记文本数据进行语义标注并使之划分成相对独立的句群,并令非结构化的文本数据可以呈现结构化这一问题。为实现在弱标签环境下进行语义标注,本文提出了一种基于领域本体对文本进行语义标注的方法。该方法利用初始概念自动获取结构化语义概念集合,并根据获取的类别、实体、关系以及扩展词在文本中出现的频次、位置和关系等因素为段落赋予语义标签,挖掘文本的子主题信息,将文本中涉及但并未提及的主题词标注出来,方便进行更细致的段落划分。实验结果表明,该方法对于特定领域的文本标注的准确率、召回率以及F值分别达到了93%,78%和83%,标注效果能够满足实际应用需求,并优于现有的无需训练语料的文本标注方法。针对将语义标注内容更好的划分段落层次的问题,本文利用已用领域本体实现标注的文本资源的标注结果在双向LSTM神经网络以及注意力机制的训练下,对文本资源的自然段落进行句群的重新划分,一定程度上解决了自然段落划分缺乏系统结构的难题。数据表明,该方法能够有效地进行句群段落边界的自动识别,实现句群的自动切分。