近年来,自然语言处理随着机器学习和深度学习的发展取得长足进步。海量的短式评论大部分字数较少而数量庞大,加之更新速度及时,对这些海量数据进行短文本分类从中挖掘潜在价值成为当今大数据时代至关重要的一步,文本分类作为自然语言处理中热门的研究分支有着广袤的发展前景,短文本的数量和其增长速度的发展为短文本分类技术带来新的挑战。一方面短文本自身带有强烈的情感色彩容易被忽视,大多短文本分类模型中计算权重只考虑词频;另一方面,短文本篇幅短字数少,特征提取存在高维稀疏、容易在训练中丢失语义信息的问题。针对上述文本分类难点,本文着眼于短文本分类方法研究,以情感特征和深度学习为工具,从两个方面改进短文本分类模型,提出了一种基于情感特征的短文本分类模型,用于对酒店情感语料进行分类;提出了一种基与改进的BLSTM多粒度短文本分类模型,用于对NLPCC新闻标题进行分类。主要研究内容和创新点包括:提出了一种基于情感特征的短文本分类方法,构建特征权重值和情感值结合的模型捕捉短文本的情感信息,在保留词频的同时融入情感判断,相比于简单的词频判断,加大了情感强烈的特征词权重,提升了短文本特征选择效果,最后在不同分类器下进行分类,使用谭松波老师整理的酒店评论短文本进行试验,相比于传统模型本文提出的方法在准确率上有所提升。提出一种基于双向长短时记忆网络结合注意力机制的多粒度短文本分类方法,构建模型包括词嵌入层、词级长短时记忆网络层、句级长短时记忆网络层、注意力机制层、分类层,词级和句级的长短时记忆网络分别从词向量、句向量的层面提取上下文语义信息,注意力机制层对双向长短时记忆网络的输出向量加权求和,对重要程度不同的特征赋予不同的权重,在国际自然语言处理与中文计算会议新闻标题数据集上进行试验,与其他分类模型进行对比,多粒度分类模型能够有效提取词语句子的上下文语义信息,分类准确率更高。