近些年,随着通讯技术的快速发展,互联网上的内容越来越丰富,互联网已成为人们获取信息的主要途径。随着信息的指数级增长,对信息进行分类整理,减少信息检索的时间成本,提高信息资源的利用效率就显得越来越重要。文本是信息传递的重要载体,传统的文本分类模型需要人工进行特征工程,效率低下。所使用的特征提取方式具有高维度、高稀疏性的缺点。目前,基于深度学习的RNN（Rerrent Neural Network）和CNN（Convolutional Neural Networks）模型已广泛运用于文本分类任务。Bi＿LSTM和Bi＿GRU有效缓解了传统RNN中存在的梯度消失和梯度爆炸现象,但存在对局部语义特征捕获不足的问题。尽管CNN具有很好的并行计算能力和局部语义特征提取能力,但捕获的信息特征受滑窗的尺寸和数量限制,无法表示出完整的语义特征。针对单一神经网络难以提取出文本中的关键语义特征,导致分类效果不理想的问题,设计了一种融入关键语义信息的新闻文本分类模型。能提取出更多的语义特征,有效的提高了模型的分类效果。同时,针对新闻标题特征稀疏,传统深度学习模型难以提取出有效特征,导致模型分类效果不佳的问题,设计了一种基于BERT的多语义特征融合的新闻标题分类模型。能有效提取出新闻标题中的特征,提高模型对新闻标题分类的准确率。本文的主要研究内容如下:（1）根据THUCNews数据集的特点建立停词库,设计了三组不同维度的词向量。并使用基础的RNN网络对以上操作进行了验证实验。实验结果表明,预处理后的THUCNews数据集更有利于建模。（2）设计了一种融入关键语义信息的新闻文本分类模型。在THUCNews数据集上的对比实验结果表明,其能够捕获文本中的关键信息特征,有效对新闻文本进行分类,且分类效果优于对比模型。（3）对输入文本加入词性,并设计了一种于基于BERT的多语义特征融合的新闻标题分类模型。在NLPCC2017数据集上的对比实验结果表明,其能有效提取短文本特征,在新闻标题分类任务中取得了较高的分类准确率,且分类效果优于对比模型。