随着大数据时代的迅猛发展,面对数量剧增且结构复杂的文本数据,急需寻找更有效的方式对这些资源进行分类管理。文本分类能够有效的处理文本信息,提高对信息的利用程度。新闻是人们获取消息、了解时事的最有效途径,其内容主要是由非结构化文本数据构成,对新闻分类进行研究具有重大的现实意义,有助于新闻个性化推荐、广告推送等领域的发展。本文主要使用深度学习技术对新闻分类进行研究,主要工作内容如下。首先,对文本分类的研究背景和意义进行介绍,并分析了文本分类的国内外研究现状,对其现阶段所存在问题进行总结,然后从新闻分类的角度,提出了相应的改进算法。其次,针对传统的卷积神经网络在对中文文本进行分类时,存在的特征提取不充分、难以处理句子结构信息和捕获长距离依赖关系等问题,提出了一种基于TCABlstm（Text Convolutional Attention Bidirectional Long Short-Term Memory）的混合神经网络分类模型。该模型对传统的卷积神经网络进行改进,来增强对文本局部特征的提取能力;并构建了结合注意力机制的双向长短期记忆神经网络模型来捕获文本上下文相关的全局特征;最后结合两个模型提取文本特征的优势,以此来提高分类的准确性。再次,针对常用预训练模型训练的词向量存在一词多义的现象,以及分词技术对中文文本分词的影响,采用BERT模型来对字向量进行表征。同时考虑到新闻数据文本内容较长,而BERT模型进行文本表征时受到长度的限制,为增强表征文本的代表性,在使用BERT模型进行分类之前,采用TextRank算法提取新闻关键句信息。最后,将本文所提出的两种算法分别在两个真实数据集上进行实验,结果表明两种模型能够有效提高中文新闻分类的准确率。