当今互联网技术的飞速发展的同时,伴随着海量又杂乱无章的网络信息产生,因此采取有效的信息管理手段是很有必要的。新闻文本作为信息的重要载体,如何对海量的新闻文本进行分类以挖掘出有价值的信息成为当前热门研究课题之一。面对中文新闻文本分类任务,传统的文本表示方法存在无法解决一词多义和不能为文本提供丰富的上下文语义表征等问题。通过文本表示方法获取Embedding表示,在文本特征提取的过程中,文本特征之间缺乏全局语义上的依赖关系,且获取的最终分类特征包含的文本信息量不够全面,缺乏特征的粒度多样化。本文提出一种基于多头注意力机制和特征融合的新闻文本分类模型。针对传统文本表示方法存在的局限性,采用BERT预训练语言模型作为训练词向量的方法,该方法是基于先进的双向Transformer编码器来提取文本语义特征,通过这种动态表征方法生成的文本表征包含了丰富的文本位置信息和序列信息。为了获取包含多方面语义的文本局部关键信息,在文本局部特征提取过程中融入了多头注意力（Multi-Head Attention）机制,首先将文本经过BERT模型获取的字符级粒度Embedding输入到卷积神经网络（CNN）中,采用三种尺寸的多个卷积核提取不同距离的字片段信息,经池化和Dropout操作后输出代表性的局部文本语义特征,然后采用多头注意力机制从不同语义表示子空间里捕捉文本信息,增强局部特征间的依赖关系,生成包含多方面语义的局部关键信息。为了最大化新闻文本最终表示的信息量,从文本特征多粒度化和结合新闻内容的结构特点这两个角度出发,将以下三部分文本特征进行融合,作为新闻文本的最终分类特征:一是将通过BERT模型输出的全文内容字符级表征输入到卷积神经网络和多头注意力机制的组合模块中,得到多方面语义上的文本局部关键特征;二是通过BERT模型输出的全文内容句子级表征;三是为了在较大程度上保留新闻文本中的重要信息,单独提取出标题部分,通过BERT模型输出标题内容句子级表征。最后,将融合后生成的文本最终分类特征输入到Softmax分类器中完成最后的分类任务。基于清华大学NLP组公开的THUNews新闻文本数据集进行实验,将本文提出的模型取得的分类结果与基准模型进行对比,并进行消融分析。实验结果表明,本文提出的模型的分类结果在各项指标均优于基准模型,平均准确率、召回率、F1值分别达到96.54%、96.51%、96.50%,并在消融分析中取得了预期的结果,验证了模型的有效性和合理性。