随着社会经济的不断发展,企业对于人才的需要也在逐步增加,这就相应激发了越来越多的求职者通过各种渠道以投递简历的形式让企业更加具体的了解自己。在招聘高峰期间（校园招聘中的秋招和春招,主要针对毕业生）,企业就会从不同的渠道收取到海量的应聘简历,这种情况下,企业中负责招聘的工作人员如何能够快速找到自己想要的简历,就成为了在招聘场景中急需解决的问题。为了能够实现招聘简历的快速识别,本文利用某公司提供的系统测试简历,获取到简历文本数据。由于简历均为半结构化简历,而且不同简历模板格式的限制以及应聘者个人的书写习惯不同,提取到的文本数据往往具有较大格式差异,同时考虑到后文中模型对数据的要求,因此本文在数据预处理阶段对文本数据分别作了文本正则化处理、文本分词处理、特殊字符处理以及分句处理,其中分词处理主要利用jieba分词实现,从而保证处理后的数据能够顺利进行模型的训练。对简历文本数据进行预处理后,通过标签字典、句子填充、词矩阵构建方式将文本数据转化为词向量,最后进行模型的训练。本文主要基于Tensor Flow,利用卷积神经网络和循环神经网络中的长短期记忆网络构建混合分类模型CNN-LSTM模型进行文本的解析。在模型训练的阶段,通过反向传播、随机丢弃等优化方法不断调整模型参数,使得模型分类效果达到最优。本文中通过训练,最终准确率达到94.02%。基于简历文本的分类结果,本文提出三个招聘场景中的具体应用,分别为提取精简简历、自动贴标签（技能标签、学校类型标签、学历标签）以及岗位匹配度计算。精简简历中的信息既是企业关注的应聘者全部信息,无关信息不会存在精简简历中;自动贴技能标签则能帮助HR快速定位符合自己要求的应聘者;岗位匹配度计算即将简历与对应的职位要求进行匹配,给出匹配度,匹配度最高的即为最符合企业要求的应聘者。