金融市场一直在现代社会经济中扮演着重要的角色,而金融相关新闻与金融市场之间存在着相互作用。分类金融类新闻文本可以帮助金融个人或金融机构掌握某一子类中更详细的新闻,从而做出正确的决策。特别是对于专业的财务专家而言,经过分类,详细且有效的金融文本可以掌握当前的先进研究技术和未来的可能研究方向,全面了解网络中的金融信息。现阶段的文本分类多是根据现有的公开数据集进行研究,很少有针对专业领域内的文本分类,这就造成了金融类专业文本分类方法的缺失。为了解决上述问题,本论文则是以金融新闻为数据集,通过深度学习方法进行金融新闻文本分类。本文的主要工作与创新如下:（1）构建中文金融新闻文本数据集。鉴于互联网上没有公开的中文金融新闻文本数据集,所以此次研究利用爬虫技术从中国权威金融网站抓取了数万条文本作为数据集,构建了金融领域的中文数据集,为深度学习金融文本分类模型奠定了良好的数据集基础。（2）系统地提出验证数据集可用性的指标。数据集的质量可以直接影响深度学习的性能,而现阶段并没有系统且有效的验证方法,所以此次研究,系统地提出了验证数据集可用性的指标,具体包括:数据冗余率,数据噪声率,类别比例偏差,类别与内容的匹配程度,成分偏差等。旨在通过这些指标,验证所构建的数据集是否可用,从数据集的角度推进深度学习的发展。（3）利用基于字符级的深度学习方法,分类中文金融新闻文本。与英语文本分类相比,中文文本分类由于汉语的复杂性而更加困难。与此同时,此次研究的文本分类是基于同一专业领域数据集内的子类分类,同一领域内子类之间的差异要小于不同领域大类之间的差异。前人的研究多是基于各个大类下的文本分类,很少出现基于同一领域的子类分类。因此本文提出了AD-Char CGNN神经网络模型进行分类,实验结果表明,该网络分类中文金融文本的准确率可达96.45%。该网络基于字符级别,对于可能包含中文、英文、数字和其他类型字符的金融文本,也会处理的更加容易。本文构建了中文金融新闻文本数据集,提出了数据集评价指标,构建了基于片段式的金融文本分类模型,而未来在具体应用和实践等方面,还有进一步完善的可能性。未来可以通过构建跨语言的文本分类模型,使模型不仅仅应用在中文,还可以应用到英语等其他语言;与此同时,本文所提出的网络结构层次较深,对于小型数据集还未能达到理想的效果,所以未来可以将模型完善,使得小数据集也能参与其中。