越南与我国相邻,也是一个社会主义国家,最近几年随着经济的发展,越南在各个方面同我国的联系日趋密切。随着互联网的飞速发展,智能手机的普及,新闻传播的速度已经超乎了地域的限定。为了更好的研究、学习越南语新闻,收集越南语新闻文本,并对其进行整理、主题划分,可以有效帮助人们更好的了解越南国内的情况,具有非常重要的研究意义。目前文本分类的方法主要有基于语义规则、基于传统机器学习和基于深度学习的三种分类方法。传统的基于机器学习的文本分类算法通常会使用TF-IDF算法对文本特征进行提取,但是在提取时不能面面俱到,一些特征不能被提取到,而且也不能捕捉到词语之间的关系,最终得到的结果准确度不高,分类效果不理想。最近几年,在自然语言方面进行文本分类时,常用的方法为基于深度学习的方法,这种方法尽管可以取得较好的分类效果,但是在计算时层数会不断增多,计算量也会逐渐加大,因此计算时间相对较长,并且需要很多计算资源作为支撑。fastText方法可以有效解决上面提到的问题,和其他方法相比,这种方法不仅可以充分保证特征提取的准确度,还可以有效节约计算时间,唯一的小缺陷就是在输入层未能提取输入的数据的特征,这会对分类效果带来一定的影响。本文基于以上问题对fastText模型主要进行了“对重要词进行加权筛选”和“融合新闻标题”两种改进分别提出算法CF-fastText和算法Title-fastText,即主要研究并改进了新闻内容特征加权的CF-fastText模型以及新闻标题加权的Title-fastText加权算法,并将其应用到系统中用于解决越南语新闻文本分类问题。在十个单标签分类项目中取得了95%准确率的表现。实验结果表明,基于fastText的分类算法在融合了新闻标题加权和新闻内容加权后,符合越南语新闻的语言特征,能够有效实现新闻文本的分类。