深度学习是文本分类任务目前的研究热点,常用结构包括循环神经网络与卷积神经网络,分别用于学习文本中的时序特征与空间特征。然而,现有的基于深度学习的文本分类模型普遍使用单通道词嵌入表示文本,单通道词嵌入空间维度过低,特征表示单一,卷积在单通道词嵌入矩阵上不能充分进行在图像领域上类似的高维空间特征学习过程,导致卷积在文本数据上的空间特征学习能力受限。在现有研究中,缺少一种文本在高维表示下的高效卷积算法。其次,在现实环境中,长短文本混合存在,甚至长度相差极大,而单一模型容易受到文本长度的影响,如:擅长时序建模的循环神经网络在特征稀疏、时序性不足的短文本上不能充分发挥优势,而卷积神经网络不善于捕获长文本中的长期依赖关系。在现有研究中,缺少一种统一的面向长短混合场景下的文本分类方法。针对以上问题,提出了一种融合通道特征的混合神经网络文本分类模型,该模型通过双通道词嵌入丰富了文本的表示,增加了特征的空间维度,在卷积的过程中融合了通道特征,并优化了空间特征与时序特征结合的方式,取得了良好的分类性能。其次,为了弥补所提模型对文本长度敏感、易受噪声影响的缺点,提出了一种面向长短混合场景下的文本分类集成模型,在长短混合的文本数据集中具有良好且稳定的分类性能,不再对文本的长度敏感,抗噪声能力较强,并考虑了数据集中潜在的类别不平衡因素。主要研究内容有以下几点:(1)提出了一种融合通道特征的混合神经网络文本分类模型,使用基于预测与基于统计的方法构建了双通道词嵌入,增加了文本表示的空间维度,在此基础上对卷积过程进行改进,在卷积运算中融合了跨通道特征,使得卷积层的特征学习能力大大优于传统一维卷积。在融合通道特征的卷积基础上,模型优化了空间特征与时序特征结合的方式,在卷积的每一路均进行了时序特征的学习,显著提高了模型的分类性能。(2)提出了一种面向长短混合场景下的文本分类集成模型,以分组的形式生成每组基分类器,保证了组内分类器的差异性与组间分类器的差异性。结合文本的长度,根据分类器性能对所有分类器进行排序与重组,最终选择出部分高性能的分类器进行集成。集成模型在长短混合文本数据集中具有稳定且良好的分类性能,对于文本长度不再敏感。结合数据采样策略,集成模型的适用场景还可扩展到不平衡文本分类任务中,并具备较强抗噪能力。