面对海量的文本数据,使用高准确率的分类模型进行文本管理,不仅能够细粒度地优化后台数据仓库,而且能够让用户快捷地获取所需的反馈信息。鉴于深度学习相比于传统的机器学习来说能够自动学习文本的高级特征,因此本文以深度学习为基础。针对目前长文本分类中存在的忽略文本明显语义特征问题以及现有的分层模型为浅层结构问题展开研究,以提升长文本分类准确率为目的。本文的主要工作如下:（1）针对BERT（Bidirectional Encoder Representations from Transformers）对输入文本长度有限制问题,提出了长文划分算法。通过将长文分割为小块作为BERT词向量模型的输入,将文本表示阶段的复杂度由O（n~2）降低为O（ns）,其中n、s分别为输入文本的长度和划分后的小块文本长度。（2）针对当前的长文分类中的分层算法仅采用全局目标向量作为文本句向量表示,忽略文本明显的语义特征问题,提出了一种基于融合特征的分割注意力长文融合模型。融合卷积最大池化的特征向量和BERT模型生成的句向量两组目标向量,综合表示局部文本特征。在此基础上,通过双向长短期记忆网络获得文本的全局信息,并引入基础注意力机制关注重点,进行文本分类。（3）现有的分层模型是一种浅层结构,对长文档的结构特征有所忽略。受到中文长文结构以及层次注意力机制的启发,提出了基于自注意力机制的分层模型。该模型将文档划分为“词-句-段”三层结构,在每层结构上分别运用双向门控循环单元和自注意力机制。通过分层专注力,有针对性关注长文的关键位置,赋予重要的词、句、段更大的关注度,充分提高长文本分类模型的提取文档语义信息能力。本文收集了海事海商数据集与复旦大学中文数据集两个中文长文数据集,经过实验分析表明,所提出的两个长文分类模型能够获得较好的分类性能。