互联网作为现代信息传递的主要媒介,可实时动态提供海量多种信息,其中文本信息在互联网中的占比最大,具有表达能力强、应用场景丰富和易于筛选等特点。在通过互联网浏览信息的过程中,文本信息的有效分类对高效获取目标信息十分有益。因此,对文本信息的分类研究已成为信息处理工作中的热点。传统的文本分类器多采用计数的表征形式,虽然易于理解和实现,但其泛化能力较差且不适用于处理海量文本数据。近年来,深度学习在自然语言处理领域中取得突破,将其应用于文本信息处理有望实现文本的快速准确分类。其中新闻类文本信息具有实时性强和文本结构复杂的特点,对新闻类文本信息的分类一直以来都是文本分类研究中的重点与难点。本课题主要对具有上下文结构特点的新闻长文本分类的研究,采用新型深度学习网络模型构建高效文本分类器,提高长文本新闻信息分类的精准度,实现对互联网上海量新闻类文本信息的精确分类。本文将从以下三个要点进行研究:（1）在文本的词嵌入表示方法上,针对传统的词向量表示方法存在高维稀疏性和缺少对上下文语境依赖性,本研究采用了微调BERT语言模型动态生成词向量的方法,充分提取的上下文中语义关联信息;在文本信息的特征提取方面,针对新闻类文本信息的长文本特征,本研究选用空洞卷积神经网络（DCN）和分层注意力神经网络（HAN）对词嵌入表示中的文本特征进行并行提取,构建具有序列化特征和全局特征的BERT＿HAN＿DCN融合模型分类器。通过对BERT＿HAN＿DCN模型效果进行实验验证,最终得到融合模型的8)(6（8-1指标与单一模型BERT相比在新闻长文本数据集SougoCS和THUNews分别有2.75%和3.59%提高,训练过程中模型较稳定且未出现过拟合,证明了该特征融合方式对处理长文本分类有一定的优势。（2）为进一步提高融合模型BERT＿HAN＿DCN的性能,因为HAN网络Query矩阵查询出的数据具有全局统一性不能直接查询文本数据,所以本研究对HAN网络进行了改进,通过CNN提取嵌入表示层的原型向量表示并计算实例向量（instance vector）,将其与句级查询向量矩阵相结合建立实例注意力机制（instance attention mechanism）,构建了具有交叉注意力特征的Cross HAN（CHAN）模型。将CHAN与层叠DCN并行提取文本特征,得到BERT-CHAN-DCN融合模型分类器,对文本信息的深层次文本特征、上下文结构信息以及关键值语义信息进行进一步的提取。实验结果表明,改进模型的8）(6（8-1指标与BERT＿HAN＿DCN相比在新闻长文本数据集SougoCS和THUNews分别有3.34%和2.08%提升,改进模型稳定性好、分类精度高。当句子字符数超过256个,改进模型的分类精度也有一定的提高,说明了改进模型具备提取文本信息长期依赖特征的优势。（3）为解决softmax loss无法减少相同类别的差距的问题,本研究提出将人脸识别中的Arcface loss引入到的文本分类领域改进softmax loss的方法,进一步学习模型的角度裕度特征,从而提出了BERT＿CHAN＿DCN＿Arcface模型。并将本文的所有模型的softmax替换为Arcface loss进行实验验证改进loss计算方式对提高文本分类精度有效性,最终BERT＿CHAN＿DCN＿Arcface模型在长文本数据集SougoCS和THUNews的8）(6(8-1分别提高了0.71%和0.85%,模型迭代一次的时间比原模型分别快5s和8s。实验结果表明,对loss计算方式的改进不仅可以提高了模型文本分类器的综合评价指标,还能进一步提高该模型的收敛速度,改进loss的计算方式为文本分类领域有一定的导向意义。最后,将本文训练好的模型部署到Python的Django框架下搭建了中文长文本分类系统,设计了可实现对已输入新闻长文本进行向量转换和分类,并展示分类结果的前端页面。