面对网络上类别混乱、组织无序的新闻文本,大众有时需要消耗额外的时间去鉴别真正有意义的新闻资讯。为此一些企业选择构建企业内部的新闻平台,制定规范化的新闻分类标准,收集网络上的新闻信息并重新整理和分类,然后提供给企业员工。但如果完全依靠人工对收集而来的新闻进行分类,反而会给企业增添额外的负担。本文设计并实现了一个基于知识蒸馏的新闻分类系统,该系统具有分类模型训练、新闻门户以及后台管理三大模块。在分类模型训练模块会训练用来预测新闻类别的深度学习文本分类模型,由于分类模型的推理时间必须满足系统的响应速度要求,因此只能选用参数量较少、层数较浅的小型深度学习模型。为了令分类模型具有更高的分类准确率,提出使用知识蒸馏技术完成分类模型的训练。为了验证知识蒸馏技术在新闻文本分类任务上的有效性和普适性,选用了Text CNN、Text RNN两种模型作为学生网络,教师网络则选定为BERT文本分类模型。实验结果证明,使用知识蒸馏技术进行训练后,Text CNN、Text RNN的分类准确率均有很大提升,而Text RNN的整体分类准确率高于Text CNN,最终选用具有最高准确率的Text RNN集成至系统。在新闻门户页面用户可以浏览各种类别的新闻资讯,而在后台管理页面管理员可以对新闻等各类信息进行高效的管理。对于分类错误的新闻,用户可以提交相应的反馈,管理员则可以参考这些反馈修改新闻的类别,并将已分类的新闻添加到新闻分类数据集中。这些机制不仅保证了新闻类别的准确性,而且令数据集具备了实时性和可扩充性,只需在数据集上定时重新训练分类模型,即能令分类模型与新闻保持同步。该系统能够帮助企业对新闻进行快速而准确的分类,能够为企业员工提供高价值的新闻资讯,同时该系统可以作为企业推进企业文化建设、收集员工兴趣爱好的重要工具,具有很高的应用价值和推广价值。