随着互联网的飞速发展,人们获取信息的方式变得更加多元便捷,网络数据总量也因此呈爆炸式增长。如何从海量数据中提取有价值的信息已成为当前人工智能领域的研究热点,文本分类技术也因此具有十分重要的研究价值。卷积神经网络在深度学习多个任务中表现优秀,但其深层结构在文本分类任务中的应用却具有争议。为了优化分类性能,本文从全局性、时序性、关键性、多样性四个方面针对深层卷积神经网络进行改进,提出了新型的短文本分类算法,主要创新工作如下:（1）文本信息具有离散化与稀疏化的特点,为了优化卷积神经网络对文本间全局信息与时序信息的提取能力以及预处理阶段对文本的高维特征表示,本文提出了一种基于金字塔池化与时序卷积的短文本分类算法——深层金字塔时序卷积网络（Deep Pyramid Temporal Convolutional Network,DPTCN）和一种新型的混合区域嵌入方法。其中,金字塔池化加强了模型对文本全局特征的采样能力,时序卷积保留了文本间的序列信息。实验结果表明,DPTCN实现了深层卷积网络在短文本分类任务中的有效创新,混合区域嵌入方法在不增加语料库需求的情况下有效提升了分类精度。（2）文本信息间的关键特征通常在全局中分布不均,为了优化模型对关键信息的提取,本文提出了基于通道注意力机制的深层卷积神经网络SE-DPTCN以及ECA-DPTCN,通过引入通道注意力提升了模型对不同通道的敏感性,强化有效的特征并抑制无意义的特征,实现对卷积通道的注意力加权计算。其中,SE模块（Squeeze-and-Excitation,SE）主要在激励层中利用两个全连接层实现权重参数的训练,对通道间的相互依赖关系进行显式建模;ECA模块（Efficient Channel Attention,ECA）主要利用快速一维卷积实现了跨信道交互,减少了参与权重训练的参数量。实验结果表明,通道注意力机制的引入能够有效强化模型对文本关键信息的捕获能力,改进深层卷积神经网络的分类准确率。（3）通道注意力中的均值函数丢失了输入特征的多样性,为了解决这一问题,本文提出了基于多频谱注意力模块的FCA-DPTCN,通过引入多频谱注意力模块（Frequency Channel Attention,FCA）为各个特征通道分配不同频域分量,有效保留了特征多样性,优化了对输入的注意力加权。实验结果表明,相比基于平均池化和最大池化的特征压缩方式,利用多频谱注意力模块预处理通道信息的模型在分类任务上具有更优的分类性能。