互联网中的信息伴随着无序和杂乱,于是信息的整理和归类便显现出了重要性。文本分类技术应运而生,该技术旨在能够快速并准确地分类文本。文本分类是自然语言处理领域最为基础的任务之一,已经进入了深度神经网络时代,深度神经网络能够克服传统文本表示存在的矩阵稀疏性、维度爆炸、难以表达语义等问题;能够弥补传统文本分类方法特征提取能力不足的劣势。本文主要研究了中文文档主题分类的相关技术,深入探究了多种深度神经网络在文本分类上的应用,并在此基础上设计并实现了一个适合于文档主题分类的文本分类模型。本文主要的研究工作内容包含以下几点:针对不同领域语料之间的文本语义存在的差异性问题,本文选取与实验数据集相同领域内的语料数据作为训练词向量的语料库内容,在最大程度上保证语义一致性;同时采用时下流行的神经语言模型Word2Vec去获取连续而稠密的词向量,以此作为后续任务的基础。针对如何实现循环神经网络较好地在短语上建模问题,本文使用卷积算法提取相应的短语(n-gram)特征;其次使用可以克服单向循环神经网络语义偏置问题的双向循环神经网络提取包含完整上下文语义信息的特征,以及使用能够捕捉数据内部相关性特点的注意力机制对特征做最后的整合。针对循环神经网络中的长短时记忆和门控循环单元会带来过多的时间损耗问题,本文采用了新的循环神经网络结构——简单循环单元,其结构能够在保持优异成绩的同时还能够较大幅度降低时间损耗。本文主要提出了一个基于混合深度神经网络的文本分类模型Conv-BSA,并且也将其放在实验上进行验证。就实验结果分析来看,模型Conv-BSA能够在多个模型中脱颖而出,这印证了模型Conv-BSA的有效性。