大数据时代的到来使网络新闻文本爆炸式增长。面对海量的新闻文本数据,人工处理的方式已经无法满足对网络文档信息的标识、归类等工作。因此,利用统计建模或深度学习方法将混乱无序的网络新闻文本分门别类地整理并挖掘其中的重要信息,不仅能够节省人力物力,还对新闻的用户推送、分类导航、舆情监测、垃圾信息过滤等有重要意义。由于新闻短文本存在语句短、特征不明显等特点,如何有效提高新闻短文本分类准确率是如今新闻媒体工作面临的一大挑战。随着深度学习技术在自然语言处理领域的广泛应用,越来越多的研究工作者采用深度神经网络解决文本分类问题。本文从文本表示和特征提取的角度出发,将文本表示方法和深度学习模型中的算法加以改进,提出了PTF-IDF加权Word2vec文本表示模型和Bert-LSTM混合深度模型,并对分类结果进行比较分析,提高新闻短文本分类的精度。在文本表示方面,针对Word2vec模型无法区分出影响力大的特征词、TF-IDF模型忽视了特征词在类间和类中分布不均匀等问题,本文通过引入词性贡献因子对TFIDF模型进行改进,根据词性的不同赋予词权重,与Word2vec模型训练的词向量相结合,构建出基于PTF-IDF加权Word2vec的文本表示模型。并与其他文本表示模型在相同数据集上的分类表现进行比较,验证了该方法能够有效提高新闻短文本分类的准确率。在特征提取方面,针对Bert模型弱化文本位置信息的不足,LSTM模型能够有效学习观测序列上的依赖关系,提取出前后文的全局特征。因此,本文将Bert和LSTM两个模型相结合进行特征提取,并引入Attention机制对提取出的特征进行深度的筛选和融合,构建出Bert-LSTM模型,将该模型与Bert模型在同一数据集上的分类结果进行对比,证明了新的混合深度模型能够提高新闻短文本的分类精度。