随着大数据时代的来临,信息的获取变得简单,而在海量数据中挖掘有价值的信息成为了新的挑战。新闻媒体是我们获取信息的重要渠道,研究新闻文本的分类问题在大数据时代具有重要意义。随着深度学习研究的深入,其已经在图像识别和语音识别等领域取得了突出进展,将深度学习应用于文本分类领域,具有重要的研究和应用价值。本文介绍了文本分类的发展历史与研究意义,简述了深度学习算法在文本分类领域的应用,并详细介绍了卷积神经网络算法,针对当前文本分析领域面临的问题,提出基于卷积神经网络的新闻文本分类算法,并对中美新闻媒体报道新闻的差异性进行了比较。本文的主要研究内容如下:1.利用爬虫技术持续爬取中美各大新闻门户网站发布的新闻内容,依据社会学的定义将新闻按照内容划分为32个类别,人工标注其中的一部分新闻当作训练集。经过预处理和特征提取后将文本输入搭建好的卷积神经网络模型中进行训练。相比于直接从互联网上获取的新闻语料库,本文使用的新闻数据集类别多样,且具有时效性,能够说明卷积神经网络在多类别文本分类任务中的性能。本文训练的网络模型在中文新闻文本上的准确率达到了83%,在英文新闻文本上达到了90%。2.利用训练好的卷积神经网络模型,对爬取的未标注新闻进行预测,用基于信息熵的方法、基于主题模型的方法以及情感分析的方法对预测结果进行分析,比较中美新闻媒体报道新闻的差异性。本文研究发现,中美新闻媒体报道新闻既有相同之处又有本质区别,总体上而言,中国媒体报道的娱乐类新闻数量较多,而美国则更多报道犯罪类的新闻。在新闻报道的态度方面,中国媒体更加积极而美国媒体更加理性。对于同样的新闻类别,两国媒体在新闻题材的选取方面也存在一定差异,这从一定程度上反映了两国文化的差异性。