文本表示是自然语言处理最为核心的研究方向之一,近年来随着机器学习的发展,文本表示也从最初的统计学方式开始与机器学习相结合。人类对于文本的理解取决于对世界的认知以及大脑复杂的逻辑处理,而计算机则取决于文本在计算机内部存储的二进制表示。如何将文本表示成计算机更易于理解的形式成为了目前的研究热点。本文的核心工作是针对中文文本构建文本表示,并应用在新闻文本分类任务中。如何将中文字符具有含义且包含情感考虑进文本表示是本文的主要研究内容;如何将文本的序列形式考虑进文本表示是本文的主要研究内容;如何将文本的上下文语境、语义考虑进文本表示是本文的主要研究内容。基于以上内容本文的具体创新与工作如下:（1）提出一种基于粒度融合的文本表示方法,将预训练词向量与随机初始化字符向量在向量表示空间中融合,通过字符向量将词语中的语义与情感加强,通过词向量弥补字符向量无法有效表示实体的缺陷。将所提方法与Text CNN结合构建模型,在公开数据集上进行实验,与多种其他先进算法对比。实验结果表明粒度融合的文本表示方法能够有效的将字符与词语两种粒度的优势融合,构建更加有效的文本表示。（2）引入位置编码、多头自注意力机制、双向长短时记忆神经网络三种方法,并将三种方法融合构建文本序列表示方法。通过位置编码为文本中的词语赋予位置信息;通过多头自注意力机制为文本中词语之间互相关注程度赋予权重;通过双向长短时记忆神经网络提取文本上下文语境、语义信息。将三种方法融合并结合Text CNN模型,在公开数据集上进行实验,与多种其他先进算法对比。实验结果表明文本序列表示方法能够有效的将文本中的序列信息进行表示,对文本的表示进行增强。（3）提出一种基于GMSC-Text CNN的新闻分类模型,将上述几种文本表示方法与Text CNN结合,应用在今日头条的短文本新闻标题分类中。GMSC-Text CNN能够在文本构成时融入多种信息,增强文本表示中的有效特征,通过实验表明GMSC-Text CNN能较大的提升Text CNN在短文本中的分类能力。