随着大数据时代的来临与信息技术的飞速发展,各种新媒体已经成为信息传播的重要手段,新闻作为信息的载体也呈现出爆炸性的增长。作为深度学习中的一个十分热门研究方向,文本分类一直被广大科研工作者关注。如何高准确率的对海量的文本进行智能分类,提取其中的有效信息为人所用,是目前研究文本分类的主要任务和目的。与基于机器学习的分类方法的诸多限制不同,基于深度学习的文本分类模型通过神经网络,更能提取数据的特征,提高文本分类的精确度。在深度学习中,目前常用于文本分类任务的成熟框架主要有的卷积神经网络（Convolutional Neural Networks,CNN）和循环神经网络（Recurrent Neural Network,RNN）两种,目前大多数框架都是在这二者基础上提出来的。本文提出了一种基于卷积神经网络和长短时记忆网络（Long Shortterm Memory Networks,LSTM）的混合模型,对文本分类中数据清洗,特征提取,基于深度学习的分类模型进行了改进。本文的主要工作和创新如下:（1）介绍了文本分类的研究背景和意义,分析了循环神经网络和卷积神经网络的研究现状与文本分类的相关理论技术,重点剖析了现如今文本分类中特征选择的方法:DF、CHI、MI、IG,权重计算方法:布尔权重、TF-IDF,为研究优化文本特征提取的问题上打下了基础。（2）文本中特征提取对文本分类的结果影响至关重要。本文提出了一种新的提取文本特征的流程。我们的新闻数据经过去停用词和分词处理后,采用TF-IDF计算每个词的权重后乘以该词的词向量,然后输入到Skip-gram模型,降低词向量的维度,并使其具备语义信息,最后使用TF-IDF-CHI判断某个词汇与其所属类别的相关性的大小。此时所获得的词向量为低纬度,具有不同重要程度的特征向量,对文本分类的精确度有着至关重要的影响。（3）文中提出了一种多尺度CNN与LSTM混合模型来处理文本分类任务,CNN的优势在于可以通过卷积操作获取数据的局部特征,不同尺度的CNN可以捕捉不同的文本特征,卷积层数较高的一层通过特征重用的方式缓解卷积过程可能会丢失重要特征的问题。LSTM作为RNN的一个变型,解决了RNN梯度爆炸或梯度消失的问题,可以较好地处理文本数据上下文的依赖关系。将多尺度CNN得到的特征向量和LSTM模型训练的特征向量通过Merge层融合,新的特征向量兼具两个模型的优点,不仅具有很高的特征,还包含了文本数据中上下文隐含信息,最后通过softmax函数分类,从而取得更好的分类效果。