近年来,随着移动互联网的普及,网络社交平台崛起,用户范围进一步扩大,越来越多的人在这些社交媒体平台上发表和分享他们对于不同事件的看法和意见。然而,这些平台上的交流内容往往没有经过很好的过滤,很有可能导致用户在不同的社交媒体平台上发送或接受到不同种类的性骚扰信息。这类信息可能会对一个人产生严重的负面影响,导致自卑和抑郁,甚至自毁、自杀和反社会等行为。需要注意的是,这类社会现象已经屡见不鲜。然而,这些平台上每天产生大量的数据,监管部门或相关从业人员很难对此做出逐一审核。而且网络的话语环境处于一个动态变化过程中,审核人员也难以给出一个定性的判别标准来分辨这些性骚扰文本。因此,能够自动检测这类信息并加以识别分类是一件很有意义的事。本论文提出了一个性骚扰对话文本的自动分类模型,本论文的主要贡献如下:（1）针对中文领域性骚扰对话数据集缺失的现状,本论文构建了一个中文领域里有关性骚扰对话的数据集。在对性骚扰对话进行清洗后,对不同层级标注。标注的依据是被骚扰者对话语的承受程度,本文将对话文本分为4个级别,性骚扰程度逐级上升。并利用基于翻译的方法对数据集进行增强,使数据集的分布更加均匀,有利于模型在训练阶段学习到更多的语义信息。（2）针对关键词匹配方法的准确率太差频繁误判的问题,本论文利用预训练模型BERT生成词向量的方法来取代传统的词嵌入模型。通过令牌[CLS]来表示句子中的综合语义信息,继而结合线性分类器对[CLS]令牌进行分类。（3）针对如何进一步利用BERT中丰富的语义信息,本论文对BERT的输出进行扩展。采用多层卷积神经网络进一步提取特征,并使用最大值池化的方法进行降维,接着利用Re Lu函数减少计算量,最后利用线性分类器进行分类。（4）通过大量的实验证明本文提出的模型可以有效对网络中的对话文本进行分类。实验还表明当句子的主要语义是由几个局部的关键文本决定的时候,基于卷积神经网络的模型会更容易分类正确。