随着互联网的迅速发展,网络信息不断膨胀,面对浩瀚的信息海洋,人们在获得丰富信息资源的同时,也面临着巨大的信息灾难。为了提供高效、精准的信息服务,产生了一系列信息处理技术。文本分类是现代信息处理中一个重要任务,也是文本挖掘中的一个重要环节。首先,本文陈述了文本分类任务中的一般流程,包括:数据预处理、中文分词、特征选择、分类算法研究,并具体分析了传统分类算法各自的优缺点。在实验中还加入了上海复旦大学的标准长文本数据集,同实际项目中的电商短文本数据进行比较,发现传统算法在短长文本数据集上的效果较差。因此,引出本文所使用的基于卷积神经网络的深度学习方法。其次,本文详细阐述了卷积神经网络的相关理论知识,在此基础上,设计并实现了基于卷积神经网络的文本分类器,提高了电商短文本数据集的分类准确率。接着,本文利用随机和Skip-gram两种词向量表示方法,进一步设计出一种具有双通道的卷积神经网络分类模型,该模型能够在原始输入数据的基础上,更好地完成文本的重现度与还原度。实验证明,比起传统机器学习方法,包括支持向量机、朴素贝叶斯,本文所提出的基于双通道的改进卷积神经网络模型提升了电商短文本数据集分类正确率。再次,为了在项目中使用上述研究成果,本文依据软件工程开发规范方法,完成系统的需求分析、概要设计、详细设计、系统测试,实现基于卷积神经网络的文本分类系统。这一文本分类技术系统,可以对用户输入的短文本,预测出合理类别,符合预期效果。最后,在总结全文的基础上,对下一步的工作方向提出了展望。