近几年,国内电信网络诈骗犯罪活动猖獗,发案态势逐年上升,给社会安定带来了极大威胁。电话诈骗是其中常见的一种形式,是指诈骗分子通过电话骗取受害人钱财的犯罪活动,尤其在老年人群体中,电话诈骗占据相当高的比重,如何有效治理电话诈骗,是运营商面临的一大挑战。当前,自然语言处理（Natural Language Processing,NLP）技术正处于快速发展阶段,NLP任务可以划分为四大类,包括:序列标注任务、分类任务、句子关系判断和生成式任务,文本分类是分类任务中的一个经典问题,广泛应用于垃圾过滤、新闻分类、情感分析等领域,受此启发,本文将文本分类任务应用于诈骗电话的终端识别,首先将通话语音转成文本,然后利用文本分类技术对电话文本自动分类,判断其是否为诈骗电话。本文的主要工作如下:（1）构建电话文本数据集。由于电话涉及个人隐私,目前国内国际并没有公开的数据集可用,本文搜集的数据来源于用户发布在百度、知乎、微博、小红书等网站上遭遇的各类电话诈骗案件,经整理最终得到诈骗类和非诈骗类数据共约1万条,有关数据集的详细介绍在3.2节。（2）提出两种基于注意力机制的诈骗电话分类模型。第一种为基于Bi LSTM-Attention的分类模型,即在双向长短时记忆神经网络模型（Bidirectional Long Short Term Memory,Bi LSTM）后引入注意力机制,解决了单一神经网络不能有效提取关键特征的问题;第二种为融合自注意力机制的分类模型,即在卷积神经网络模型（Convolutional Neural Networks,CNN）后引入自注意力机制,自注意力机制可以提取序列的内部依赖关系,减少对外部信息的依赖。在电话文本数据集上进行对比实验,验证提出的两个模型性能,实验结果表明,提出模型在准确率、F1值等指标上均有所提高。（3）提出基于改进Transformer和CNN的混合诈骗电话分类模型。为充分发挥Transformer提取长距离特征和CNN提取局部特征的优势,将经过词嵌入模型后的输出向量分别输入Transformer的Encoder和Text CNN模型,然后将两个模型的输出向量进行拼接,最后输入softmax层进行分类,并在电话文本数据集上验证了模型性能。