文本分类技术是一种用来有效管理大量文本信息的有效途径,文本分类技术目前为止已经取得了较好的发展,近年来伴随着互联网及计算机技术的高速发展,逐渐出现了微博、微信等社交平台,相应的短文本形式的内容成为人们日常交流以及获取信息的主要方式,短文本形式的数据以爆发式增长,这些短文本如微博动态、评论等,无论对于用户还是商家甚至是政府、科研人员来说,将其进行处理,从而挖掘出数据背后的价值非常具有现实意义和应用价值,短文本分类技术便是其中一个研究方向。短文本具有特征稀疏、表达信息能力不足的特点,直接地使用传统的文本分类算法不切实际。针对短文本的分类算法近年来虽然已有很多研究,微博等平台也有分类功能,但是微博短文本在目前科技飞速发展的情况下,出现爆炸式的增长是时代所趋,对于它的研究并不过时,而且短文本分类技术仍然有改进的空间。本文便是针对短文本的高稀疏性,表达信息能力差的特点,先对短文本的文本特征进行扩展处理然后再进行分类任务。并在分类任务中引入深度学习,使用卷积神经网络作为分类器对其进行分类。本文研究涉及到了短文本分类的详细流程,包括爬虫、文本预处理、中文分词技术、特征扩展算法、分类器训练以及分类等步骤。其中在特征扩展中使用对算法进行改进,扫描数据得到关联规则,然后关联规则库作为扩展特征的根据,为了确保创建的特征关联规则库能够覆盖到样本数据中的各种类别,分别按类别计算每一类的特征关联规则。对于短文本中高频却没有影响的词语及噪声,在文本预处理阶段将使用停用词表进行过滤处理。短文本分类的分类阶段,通过实验分析,分类器设计了3个较小卷积核叠加的卷积神经网络结构,以便使得能保证网络分类性能的基础上,还能更好的还原特征、刻画特征。实验证明,比起如支持向量机、贝叶斯网络、决策树算法等传统的机器学习方法,本文提出的基于特征扩展后的卷积神经网络分类模型成功提高了微博短文本的分类精确率。