随着数据量的迅速增加,其中文本形式的数据占很大比重。而文本分类作为最常见的文本挖掘技术,可以在大量杂乱的文本数据中发现有价值的信息具。在文本分类领域,一直将确保分类准确率的同时减少分类时间这一问题作为首要目标。因此,本文基于深度学习的卷积神经网络模型对新闻文本分类模型问题进行研究。主要研究工作如下:(1)针对新闻文本的稀疏性和上下文依赖性,提出一种针对新闻文本数据集的预处理和特征提取方法。该方法采用对新闻文本进行分词处理的方式,将所有文本由原来的文章形式改为词组形式,随后在数据集上使用停用词处理方法来减少噪声数据对分类模型的影响。同时采用word2vec工具对预处理后的文本进行词向量训练,实现词向量以多维数据的方式输入到Embedding嵌入层。模型在学习单词特征时,可以关联上下文单词的内容作为分类结果,使不同词频但相互之间有所联系的单词在分类任务起到一定的作用。(2)针对新闻文本分类泛化能力较弱的问题,本文根据深度学习卷积神经网络的文本分类算法,结合词向量训练方法改进了文本分类模型。模型通过控制模型参数实现了 Embedding在模型中三种不同的文本词向量形式。通过不同的文本词向量训练获得不同的分类模型,对比分析每个模型分类的效果差异,最终确定最优的算法模型。(3)针对新闻文本类别分布频率不均衡的问题,提出一种基于哈夫曼树思想的层次Softmax结构。通过类别统计建立层级结构Softmax取代之前扁平化结构计算的方法。提高了模型多分类的训练速度,降低了模型计算概率的时间复杂度。通过测试集在每个模型的分类效果对比,结果表明,使用Word2vec工具训练后的词向量输入Embedding嵌入层,并结合卷积神经网络算法以动态参数的形式继续参与模型训练,最终获得的分类模型,在新闻文本测试集上分类效果表现较好,准确率为93.87%,比传统所使用的模型提高了近3%。