在网络互联以及数字化建设高速发展的时代背景下,信息科学技术的快速更新迭代促进了网络问政基础架构的兴起与应用模式的发展。作为大数据时代政民互动的新渠道与反应社会基层有效信息的重要手段,网络问政在引起各方高度关注的同时,也在政府引导与大众的积极参与下取得了迅速发展。实现问政留言智能高效的分类,对基层热点问题的解决、话题识别与跟踪、政府问政网站分类导航、相关部门的事件处理都具有重要意义。随着Web3.0的全面深化以及由政府2.0向政府3.0的逐步过渡,使得在构建数字化政府管理模式的过程中信息资源呈现出迅猛增长的势头,在面对高维量级和无序化问政数据的涌入时,政府网站问政栏目往往会产生信息更新不及时、互动回复不彻底、分类体系不实用等问题,在一定程度上阻碍了网络问政所应发挥的积极效果,同时也不利于政府网站树立作为权威问政平台的公信力。问政留言文本作为基层群众通过网络形式与政府进行沟通的重要载体与主要形式,即为文本分类研究提供了可靠的实验数据支撑,又为拓宽网络问政领域的实践方法提供了新思路。以自然语言处理技术为研究视角,结合深度学习算法模型的构建与应用,为网络问政与文本分类的有机融合与创新发展提供了有效动力。也为基层政务问题发展现状的研究与完善政府问政体系的构建提供了可行性方法。本文在充分研究网络问政与文本分类领域发展背景、研究现状、相关理论的基础上,采用文献计量法对国内近十年发表的核心期刊数据集进行分析。以人民网领导留言板为数据来源,采用爬虫提取器获取问政文本,对其话题类别分布进行可视化操作。以Python语言为处理工具对文本数据进行词频统计分析,并以此为基础生成词云,结合Gephi0.9构建高频词共现网络。通过文本挖掘技术探究基层问政问题中的热点事件分布情况及其相关联系。构建基于深度学习算法的网络问政文本分类模型与实验框架,采用基于负采样的Skip-Gram Word2Vec模型获取分类实验所需的词嵌入矩阵。构建CNN（卷积神经网络）、DPCNN（深层金字塔卷积网络）、LSTM（长短期记忆网络）、Transformer（全注意力模型）等共六类深度学习模型对所获取的矩阵向量进行特征提取与文本分类预测实验。提升对于问政类文本特征提取的效率及快速分类识别的准确率,减少传统人工分类所带来的误差累积,为政府优化问政处理体系提供新方法。通过选取多分类任务评价指标构建实验结果评价体系,以各算法模型作用于测试集的表现结果构建混淆矩阵,对深度学习模型表现进行横向对比分析。实验结果表明所选模型均达到有效的问政文本分类效率,对于促进政务问政领域实现更加有效的信息组织与管理具有积极作用。