互联网时代的文本类数据管理的关键在于高效的信息检索、深度的信息挖掘以及自然语言处理。文本情感分类作为这些技术的一个重要环节,无疑是众多学者关注的重难点。在数据量爆炸的当下,通过人工实现文本分类已然不可取。随着机器学习和深度学习等技术的日益发展成熟,人们的目光逐渐转向如何实现文本的自动分类。而在各种文本分类问题中,短文本的分类问题面临的挑战格外突出。短文本在互联网时代占据了海量数据中非常大的一部分,但在性质上,相较长文本,短文本的特征维度高密度低,语义前后相关性强,噪声相对较多等特点。这使得短文本的处理常常效果不尽如人意。如何高效地对短文本进行知识提取,打破短文本数据在情感分类、商品推荐、决策指导、舆情跟踪等领域应用的壁垒,是当前大数据挖掘技术突破的肯綮所在。本文针对中文短文本分类问题,将fast Test预训练模型与循环神经网络相结合,获得了比传统方法显著提高的分类精确率。本文工作主要包含以下几点:（1）提出一种新型文本分类方法,为了有的放矢地解决中文评论短文本分类问题,在文本表示上应用了fast Text预训练模型,创新性地将其与深度学习分类器LSTM结合起来,以解决中文短文本评论特征稀疏、语义多层导致其真实情感难以挖掘的问题。（2）在不同的数据集上分别将上述模型进行实验研究和分析,从运行效率和精确率两方面与采用线性分类器的fast Text以及传统的word2vec+LSTM的方法进行比较。结果表明,该方法的使用能够有效提高分类任务的精确率,对不同数据集有较好的适应性,基本能实现80%以上的分类精确率,在一些数据集上可以达到95%以上的精确率,且在各个数据集上均优于其他2种方法,尤其是在语义相对复杂的数据集上,比线性分类器的分类精确率有5%的提高。