随着互联网信息不断更新传播,信息过载的现象日益严重。相较于图像和语音,新闻文本的表达并非直观,而是需要采取人工阅读理解的方式,这导致筛选有效信息困难,严重影响人们的阅读兴趣。基于此,本文基于新闻文本,采用自然语言处理技术和深度学习方法对新闻文本进行处理,实现细粒度的新闻文本分类,针对特定新闻主题下的新闻,实现生成式新闻摘要。设计并实现新闻文本分类与自动文摘系统,便于用户既能更有针对性的浏览相关感兴趣的新闻报道,又能阅读到精炼汇总的新闻资源,有效地节省了用户的宝贵时间。本文的研究内容具体如下:1.针对新闻文本分类中的新闻标题特征稀疏,上下文依赖性强的问题,研究基于语义增强的新闻文本分类方法。首先利用Bert语言模型替代传统的Word2Vec进行语义表征,然后结合改进的基于自注意力机制的Bi-LSTM自适应提取上下文特征,结合模块融合思想并且根据上述结构提出了语义增强的分类模型Multiple-Fusion。此外,本文还设计了基于词级别的数据增强策略进行文本数据增强,以提高分类模型泛化性和精度。2.在细粒度新闻文本分类的基础上,提出基于生成式的自动文本摘要模型应用于新闻摘要。针对新闻摘要表达缺乏流畅性和概括能力的问题,首先提出了向量融合机制FME进行词向量表征,接着采用基于Encoder-Decoder框架的Transformer网络模型自适应提取文本全局特征。融合两者结构形成基于生成式的摘要模型FME-Transformer,并将其应用于新闻摘要。实验结果表明生成的新闻摘要基本能接近人类理解的水平。3.设计并实现基于深度学习的新闻文本分类与自动文摘系统。该系统以提出的算法模型为核心,针对《新华网》新闻数据,设计并实现了新闻采集、新闻文本分类及新闻摘要生成等核心功能模块。该系统功能齐全、界面友好,满足实际需求。此外,本文通过对系统进行功能与性能测试,验证了系统的可用性和高效性。研究成果对文本分类及自动文摘领域的研究具有实际借鉴意义。