在信息爆炸的时代,如何快速从海量文本中高效获取有价值的信息,成为自然语言处理领域的关键问题,也推进了文本分类技术的发展。文本分类主要分为预处理、特征提取及分类识别三大模块,其中预处理后的文本表示是文本分类技术的首要关键点,也是基础。传统的文本表示方法,通常以词作为文本的基本单元,不仅容易造成语义信息的缺失,还易导致文本特征的高维性和稀疏性。目前文本分类技术的应用多是基于统计学习及机器学习方法,而面对特性多样的文本数据,又易导致基于传统方法的文本分类器的泛化能力下降。而深度学习独特的网络结构,能够层层提取、层层抽象,可以很好的解决当前文本分类面临的问题。本文提出的情感分类方法是基于张量空间模型将文本数据张量化,同时在STM模型的基础上融入LSTM神经网络并提出L-STM算法模型,将向量序列作为LSTM网络的输入进行更高级别的优化,以此减少求解参数最优解时的迭代次数。实验结果表明基于张量空间的L-STM模型不仅能有效解决文本数据过拟合问题,还减少了文本分类器的运行时间,且相较目前主流的情感分类方法,基于该模型的文本分类器的分类准确率更高。基于深度学习思想设计的S-DBN模型是一个五层结构:前两层使用稀疏自动编码机,以Word2Vec处理后的词向量作为原始输入,进行初次特征提取;并将提取出的特征作为中间两层深度置信网络的输入,进行深层次的特征提取;然后经softmax分类器进行文本分类。本文分别在隐藏层节点数和微调次数对分类性能的影响进行测试,并在相同数据集下,分别与B-CNN、DBN、改进的SVM、SVM分类器进行实验对比;结果表明基于S-DBN模型的文本分类器的分类性能更优,准确率更高。最后基于以上两种分类模型,设计并实现了一种混合分类系统。