目前,网络舆情分析等任务中存在大量语种易混淆、编码形式多样、文本长度较短的网络文本。本文选用汉语、日文、维吾尔语、哈萨克语、乌兹别克语为语种识别的代表性研究对象,其中维吾尔语、哈萨克语、乌兹别克语分别考虑了两种编码形式。本文将五种语言根据字符编码区间分为四个类别,包括汉日字符编码区间,现行字符编码区间,拉丁字符编码区间和西里尔字符编码区间。由于字符编码区间内存在两种语言,并且在书写形式上极为相似,在网络文本的语种识别种极易混淆,因此本文针对编码不同五种语言的语种识别展开了深入研究,主要研究内容分为以下几个方面:（1）首先对网络采集到的上述语种文本数据进行的分析和预处理,通过人工标注,对文本的语种信息进行确认,构建原始语料库。针对每个语言的每个编码形式,分析文本的平均字符长度、平均词汇数量和平均词汇字符长度等信息,以进行分析决策;根据数据分布情况,对资源匮乏的语言编码文本通过语言编码转换方法利用同语言不同编码文本进行数据扩增;根据文本的特征,进行不同细粒度的切分。（2）提出一种基于多策略结合的有效识别方法,并以此设计多策略语种识别系统MSLIS（Multiple Strategies Language Identification System）。其核心原理为以编码区间、特征字符以及朴素贝叶斯分类器三层策略进行精确语种识别。实验结果表明,该文基于多策略的统计学习方法在针对汉、日共用汉字组合的区分和维、哈、乌不同编码的语种能有效识别。（3）针对多策略的统计学习方法在字符长度较短的情况下表现一般,本文进一步考虑了词汇级和字符级组合的影响,采用不同组合粒度的向量作为神经网络模型的输入,以验证其识别性能。首先将文本按照词汇级别和字符级别在n元（1≤9）≤5)gram模型的基础进行切分,然后以ngram的切分组合向量作为神经网络的输入,分别对比了卷积神经网络和双向长短时记忆网络对短文本的特征抽取能力和类别判定能力,并选用最佳的神经网络模型。