借助于互联网新媒体传播的信息为人们的日常生活以及社会经济活动、企业组织决策、政府公共管理等提供了海量的信息来源和极大的便利。然而,信息噪音问题,包括不实信息、浮夸信息等在互联网和新媒体时代尤为突出。这其中,作为当前国内最具影响力的移动网络社交平台,微信及运行于微信上的公众号已经成为新媒体时代的重要流量阵地,不少公众号为了增强订阅粉丝的黏着度,采用大量浮夸自大、华而不实的文风套路,造成了不良的经济和社会影响,浮夸文风问题亟待改善。因此,本研究以语言学相关理论为主要依据,对文本风格提出了一种基于文本要素的多维测度体系,并以微信公众号文章为样本,进行了文本风格检测方案的设计与检验。研究主要分为三个层次:（1）理论层面,以语言学相关理论为主,综合不同学科视角,对文本风格的要素进行分析,构建了多维文本风格测度体系,并结合具体语料范例进行个案分析;（二）方法层面,在文本风格测度的总体流程设计基础上,重点设计了先验知识库——文本风格词典（TSD）与Word2Vec相结合的词向量构建方法以及基于Bi-LSTM的文本风格检测模型;（3）应用层面,首先,本文在自动化采集微信公众号文章的基础上,通过jfinal+Vue.js开发数据标注平台,并对所采集的语料（小语料）文章进行多维文本风格标注,与此同时,采集百科类问答文章数据作为大规模通用语料库（大语料）;其次,结合现有词典资源,辅以人工修正,构建文本风格词典（TSD）;然后,作为本研究的实验重点,对基于小语料以及大语料的Word2Vec词向量构建结果进行实验对比分析,对文本风格检测的Bi-LSTM模型基于实验进行参数优化,通过传统分类方法SVM、小语料Word2Vec+Bi-LSTM、融合小语料和大语料的Word2Vec+Bi-LSTM、TSD+小语料Word2Vec+Bi-LSTM以及TSD+融合小语料和大语料的Word2Vec+Bi-LSTM等不同多目标分类实验的综合对比分析,对所设计的文本风格检测流程和方法进行验证和评价。研究结论表明,（1）理论上,本研究所构建的文本风格多维测度体系具有一定的可解释性和可理解性;（2）以Bi-LSTM为代表的深度学习模型能够有效地对文本风格进行多目标分类,表现出比传统机器学习方法更优的性能;（3）较之于独立地运用微信公众号文章语料,通过融合更大规模的通用语料,Word2Vec词向量构建以及BiLSTM文本风格分类的效果进一步提升;（4）较之于独立的Word2Vec词向量构建,通过构建先验知识库——文本风格词典（TSD）并拼接TSD和Word2Vec词向量,基于Bi-LSTM的文本风格分类效果显著提升。