对话意图分类在人机交互系统中起着重要作用。 在本文中，我们提出了一种混合卷积神经网络和双向门控递归单元神经网络（CNN-BGRU）架构，以对白对话的意图进行分类。 首先，对字符嵌入进行训练并将其用作所提出模型的输入。 其次，使用CNN从每个话语中提取局部特征，并使用最大池化层来选择最关键的潜在语义因素。 双向门控循环单元（BGRU）层体系结构用于捕获上下文语义信息。 然后，将两个结构图的输出两个特征图集成到最终话语表示中。 所提出的模型可以利用本地语义和语意信息以有效的方式识别和分类用户对话意图。 基于社交媒体处理（SMP）数据集和真实的对话数据集对提出的模型进行评估。 实验结果表明，该模型优于相应的传统方法。 此外，与CNN和BGRU方法相比，对于SMP数据集，所提出模型的分类精度高1.4％。
