文本分类是自然语言处理领域最基础、最常见的任务之一,也是很多其他任务的前置模块。通过文本分类可以将有价值的部分粗略的筛选出来,摒弃掉其他的部分,得到较为可用的数据。研究文本分类任务已经有很悠久的历史,随着时代的发展,人们对于文本分类的精度和速度要求越来越高,深度学习的方法开始成为研究的热点。针对中文长文本分类问题,本文改进了一种循环神经网络结合卷积神经网络的文本分类模型。首先迁移了栅格长短期记忆系统(Lattice-LSTM)代替了传统的长短期记忆系统做文本的浅层编码。由于长短期记忆系统的性能对于长时序序列建模较为孱弱,本文在模型中加入了词汇级的自注意力机制,改变了不同时刻的输出在文本分类中的贡献。然后使用一种多尺寸多膨胀率卷积核的卷积神经网络模型(Multi-size And Multi-expansion-rate Kernel Convolutional Neural Network,MMK-CNN)进行特征提取,将得到的特征图通过全连接网络和SoftMax网络,进行最终的文本分类结果。作者完成的主要工作有:(1)调研并介绍了文本分类和深度学习的相关知识(2)迁移Lattice-LSTM模型做浅层编码,并融入了自注意力机制(3)使用了空洞卷积和普通卷积结合的方式进行特征提取(4)设计并进行实验,与其他模型对比,验证模型的有效性本文的模型迁移使用了栅格长短期记忆系统,在没有进行显性分词的情况下,在字符级长短期记忆系统中选择性的注入分词信息,将字符级别的向量和词级别的向量通过神经网络的方式深层次的结合起来,既省去了分词的工作量,不会造成分词错误,同时也丰富了文本向量所带有的信息;通过在模型中融入注意力机制,一定程度上解决了长链依赖的问题,并减少了过拟合;使用不同尺寸不同膨胀率的卷积核在不同角度提取特征,得到文本的高维特征,各个通道的信息可以相互补充。最后以新闻分类为载体进行实验,经过实验对比,改进后的算法效果优于其他算法,能在一定程度上提高长文本分类的效果。