【摘要】随着互联网的发展以及２１世纪大数据时代的到来，我国网络用户数量已超过10亿，伴随着网络用户增长而来的是增速更快、增幅更大的网络信息数据。在紛杂的网络信息中,网络新闻成为网络用户获取外部信息和学习知识的重要来源,能够帮助人们更好地了解世界,从而受到了许多网民的青睐。而现如今新闻文体从国定形式走向交融多样,且至现出一种杂糅式特征,使用户越来越难以快速获取到想要了解的新闻信息。 本文提出了一种基于 Ｔｒａｎｓｆｏｒｍｅｒ 的双向编码（ ｂｉｄｉｒｅｃｔｉｏｎａｌ ｅｎｃｏｄｅｒ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍｔｒａｎｓｆｏｒｍｅｒｓ，ＢＥＲＴ）和卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，ＣＮＮ）的网络新闻文本分类方法。 通过结合ＢＥＲＴ的语义理解能力和ＣＮＮ的特征提取能力，提高网络新闻文本分类的准确性和效率。 通过与其他模型进行对比，证明了ＢＥＲＴ⁃ＣＮＮ模型在网络新闻分类任务中具有更高的准确率，验证了模型的可行性。