在蓬勃发展的Web2.0时代下,用户作为互联网的核心,每天都产生了海量的文本数据,而短文本数据在其中更是占有相当高的比例。短文本数据包括了即时通讯工具的聊天记录、网络购物的商品评价、时事新闻的公众评论、论坛帖子及回复、有字数限制的微博及其评论等等。对此类短文本进行分类处理,能够在信息检索、信息抽取、个性化推荐和模式识别等诸多领域发挥着非常重要的作用,其应用领域十分广泛且极具研究价值和意义。然而,现有的短文本分类算法的分类准确率还有待提高,因此本文提出了一种基于HLDA和CNN相结合的短文本分类算法,以对短文本分类准确率的提高做出贡献。本文首先对LDA主题模型、卷积神经网络和分类相关基础理论进行介绍,将其作为本文研究的理论基础;其次本文对短文本的热度重新定义,并将其与LDA模型相结合,提出了基于热度加权的LDA主题模型(Heat weighted LDA,简称HLDA),以更准确地挖掘出短文本的主题信息;进而本文基于HLDA模型,针对短文本特征稀疏的问题,设计了基于HLDA和CNN相结合的短文本分类算法,对短文本进行更为准确地分类;最后本文使用已有的公开数据集,进行了相应的对比试验,实验验证了本文提出的模型的有效性和算法的准确性。具体的创新点有:(1)本文构建了HLDA模型。在该模型构建过程中,以LDA模型作为基础,引入了短文本热度因素进行拓展,来弥补原始LDA模型在短文本主题建模过程中难以解决文本稀疏和主题聚焦性较差的缺点。(2)提出了基于HLDA与CNN相结合的短文本分类算法,融合词与主题两方面的信息,来更好地表征短文本,以解决短文本特征稀疏的问题,从而达到提高短文本分类准确率的目的。