随着智能对话系统的广泛应用,人们需要智能设备正确识别自己的问题或者请求,所以对用户进行意图的识别面临着很大的挑战。在意图识别所对应的小样本文本分类中存在数据不足、特征表示不充分、距离度量效果差等等问题。本文基于小样本学习问题的思想,针对上述问题进行研究,在特征表示和距离度量等方面提出了改进方案,并给出了模型融合的方案。本文主要内容和创新点如下:1.在智能系统中所对应的小样本文本分类问题,由于样本资源的限制,小样本学习模型存在特征表示不充分的问题,导致模型效果较差。针对小样本特征表示不充分的问题,本文提出了基于Wide＆Deep的a Bi-LSTM模型（简记为WDAB-LSTM）用于优化文本特征表示。该模型包含浅层神经网络和深层神经网络两部分,其中浅层神经网络用于提取文本中的浅层信息如句法结构等,深层神经网络用于提取文本中的深层信息如语意信息等。同时,基于Wide＆Deep的a Bi-LSTM模型用于文本特征表示时增加了Bi-LSTM模型中正向LSTM中的词注意力,使得输出的向量表示包含上下文中的相关重要信息。2.在智能系统中所对应的小样本文本分类问题,已有的小样本模型的分类效果往往不够显著。针对小样本文本分类效果不显著的问题,本文在已有的小样本学习模型上进行了优化,提出了WDAB-LSTM孪生网络、WDAB-LSTM原型网络、WDAB-LSTM关系网络、WDAB-LSTM归纳网络。为解决距离度量模块不够好的问题,在本文提出的上述小样本文本分类模型中进行了距离度量模块的优化。在所提出的基于Wide＆Deep的a Bi-LSTM归纳网络中的归纳模块,将原本的“routing softmax”的归一化优化为系数比率,使得各个系数的影响更加公平。依据前人所采取的平均准确率作为指标,本文提出的上述各个WDAB-LSTM模型与原模型相比分别提升了约8.78%、4.18%、1.42%、1.02%。实验结果表明本文所提出的各个WDAB-LSTM模型在特征表示方面均比原有网络更加有效,分类效果与其他工作相比得到了较好地提升。3.本文提出了一种面向小样本的文本分类模型融合方案:基于动态核岭回归的Stacking模型融合（简记为Dynamic KRR Stacking Net）。对已提出的WDAB-LSTM孪生网络、WDAB-LSTM原型网络、WDAB-LSTM关系网络、WDAB-LSTM归纳网络进行集成,以解决单一小样本模型在复杂计算中易陷入局部最优解的问题,同时通过组合多个模型解决单一模型效果较差的问题。本文所提出的Dynamic KRR Stacking Net模型的平均准确率指标为87.64%,与单模型以及已有模型的实验效果对比,该融合模型得到了较好的提升。