文本分类任务是自然语言处理领域的核心任务。由于拉丁语系本身所具有的天然分词的语法特点,其文本分类等任务已经率先取得了一定成果,但是在中文语境下,由于汉字不具备天然分词的特点,且存在诸如汉字的多义、词语的多义等复杂情况,因此中文语境下的多项任务仍有提升空间。本文以中文长文本分类为研究对象,旨在利用现有的词嵌入技术的基础上,使用深度学习的方法,解决中文语境下文本分类困难的问题,并进一步解决长文本内语义细粒度分类问题。首先,分析了文本分类的典型过程与原理,详细描述了使用深度学习进行文本分类的方法与技术,从神经网络的雏形到技术细节,诸如激活函数、随机梯度下降法等技术细节。详述了卷积神经网络和循环神经网络的工作机理,解释了其在文本分类任务上的应用价值。为了能够使用深度学习的工具进行文本分类任务,本文详细诠释了词嵌入技术在中文自然语言处理领域的根基地位,从而为以后进一步引入使用深度学习模型实际解决文本分类问题打下了理论基础。其次,本文针对传统的文本分类问题,即每条输入序列对应单一类别的诸如情感分析的问题进行了研究。在进一步的研究中引入了注意力机制,同时搭建卷积神经网络的模块将注意力机制得以实现。同时搭建了双向长短期记忆网络作为序列的输入模块,充分利用了长短期记忆网络在长文本远距离依赖问题上的优势,并配合卷积神经网络模块所获取的注意力得分信息,从而获取最终的文本语义信息来做最后的文本分类。对比于其他文本分类模型在中文长文本分类任务上取得了一定的效果提升。此外,针对长文本的语义情况复杂的问题,本文进一步提出了细粒度的文本分类问题。因为在长文本的情境下,单个样本中可能出现多种中心词的情况,并且对每个中心词有各自不同的情感极性,本文经过多组对比试验,搭建了中心词抽取模块与情感摘要模块,能够将输入序列中的所有具备分类价值的中心词自动抽取并标注出来,并对其进行情感极性的分类,最终模型取得了理想的分类精度。