针对价格投诉举报信息,辨别举报人是否是职业举报人不但效率较低,还需要投入非常多的时间、精力。随着自然语言处理技术的应用项目不断增多,人工智能技术的应用不断体现出多样性的特征,尤其是深度学习方面,在自然语言处理中的应用不断加深。在这样的技术背景下,本课题基于实际工作中对价格投诉举报信息分类处理的现实压力,通过对真实的投诉文本数据进行研究和分析,旨在找到适合符合当前实际工作情况的文本分类算法。本文以卷积神经网络和循环神经网络分类模型为基础,首先对文本分类方法的相关技术进行介绍和分析,对分词方法进行研究,对原始数据进行高频词的提取、词性标注等进行研究,接下来通过对经典的卷积神经网络算法的文本分类应用进行研究,找到和卷积神经网络算法最合适的特征提取模型和卷积神经核心参数,并且选择两种特征提取模型结合卷积神经网络算法进行实验,可自动识别出每类数据信息的元特征,有助于数据的分类。但是采用单一的模型,所提取的数据特征定义不够清晰。因此将卷积神经网络和循环神经网络组成混合模型进行研究,吸收两种模型的优点,实现快速学习并准确提取特征。为优化特征向量权重,引入了注意力模型思想来对模型和算法进行改进,排除无效特征信息,从而提高特征质量。在此基础上,根据语义分析来提出文本分类时针对字和词不同表示的不足与缺陷,设计出了一种基于卷积神经网络和循环神经网络的双通道字词结合短文本分类模型,有效发掘文本中的关键词或关键字,进一步提升了文本分类的准确性。通过对分类方法进行设计和实验,结果表明,基于卷积神经网络和循环神经网络的双通道文本分类混合模型的对投诉文本分类的效果最佳,准确率约为94%。最后,本课题对投诉信息分类系统进行设计与实现,实现效果可以看出,系统能够将本课题所研究的分类模型的效果直观地展示给系统用户,方便系统用户通过操作系统的功能模块,快速实现文本分类管理。