为了对饮食文本信息高效分类，建立一种基于word2vec和长短期记忆网络(Long-short term memory，LSTM)的分类模型。针对食物百科和饮食健康文本特点，首先利用word2vec实现包含语义信息的词向量表示，并解决了传统方法导致数据表示稀疏及维度灾难问题，基于K-means++根据语义关系聚类以提高训练数据质量。由word2vec构建文本向量作为LSTM的初始输入，训练LSTM分类模型，自动提取特征，进行饮食宜、忌的文本分类。实验采用48000个文档进行测试，结果显示，分类准确率为98.08%，高于利用tf-idf、bag-of-words等文本数值化表示方法以及基于支持向量机(Support vector machine，SVM)和卷积神经网络(Convolutional neural network，CNN)分类算法结果。实验结果表明，利用该方法能够高质量地对饮食文本自动分类，帮助人们有效地利用健康饮食信息。