随着社交媒体的广泛兴起,微博等一系列应用产品火速发展。到2018年据微博官方统计其日活跃用户达到1.6亿以上,每日访问量达到百亿级别。如何从从这些数据中提取重要信息以及如何更快、更准确提供给消费者想要看到的东西成为了重中之重。本文以微博新闻数据为基础对中文短文本分类进行了两方面的研究。一是基于词向量的微博短文本分类,在词向量微博短文本分类上,基于k近邻算法(KNN),FastText,卷积神经网络(CNN)作为模型的选择,词向量的构建阶段已Word2vec为基础。二是基于特征扩展的微博短文本分类。在微博短文本特征扩展分类上,基于支持向量机(SVM),KNN进行模型构建,在特征扩展方面对主题模型、知识库、词向量进行扩展展开了研究,以及对词语的权重表示进行了研究。(1)本文在基于微博词向量分类方面,提出基于词语重要性的词向量文本生成模型(TFIWF-WES)。对KNN模型进行改进提出基于相似度的KNN算法(CS-KNN)。用CNN模型对微博短文本进行分类与传统的机器学习算法进行比较。(2)接下来,在微博短文本特征扩展分类上,提出了基于语义与相似度共同作用的特征扩展模型(SSE-BOW),为研究模型好坏,将其与基础模型和不同粒度文本扩展的短文本分类模型进行对比。(3)最后通过精确率(P)、召回率(R)、F1值(F1)等评价指标,对两个方面的研究分别进行对比实验,提出的SSE-BOW模型各评价指标分别为69.3%,69.1%,69.0%,与BOW模型对比提高了4.5%,5.7%,5.3%。提出的TFIWF-WES模型各评价指标分别为68.8%,68.4%,68.4%,与D-WES模型对比提高了2.7%,2.4%,2.5%。