随着各类网络社交媒体平台的兴起,社会舆论已经转向网络空间,形成了海量的网络舆情,并且大量专业术语和特定用语的出现,导致网络舆情难以及时发现,舆情事件频发。为了防范潜在的舆情风险,一般使用文本分类方法对网络文本进行初筛,然后使用数据挖掘方法对高敏感主题进一步分析处理。但是针对大规模的网络文本,现存方法对掺杂其中的语法和句法信息未能充分利用,并且未针对敏感主题文本的低资源问题进行处理,导致舆情文本分类的准确率和效率偏低。本文利用自然语言处理等技术,提出了基于深度学习的文本分类模型,提高了网络信息监管机制的效率。本文主要包括以下三个方面:（1）针对网络文本中语法句法知识未充分利用的问题,本文提出了一种基于多层信息融合的网络舆情文本分类模型。该模型采用基于注意力机制的多层信息融合算法,实现提高句向量表征的信息维度,并且对特征提取器输出的多层向量按照训练出的权重参数进行特征融合,从而提高了文本分类的预测精度。在真实数据集上的实验表明,本文提出的基于多层信息融合的网络舆情文本分类模型多类别分类下F1值达到83.98%,较基准模型提升达6.41%。（2）针对大规模的不平衡数据文本分类效率较低的问题,本文分析了数据集中文本间的关系和主题模型理论,提出了一种基于主题识别的网络舆情文本分类优化方法。该方法通过对文本聚合成的文档进行主题识别实现聚类处理,从而在网络舆情类别样本数量较少的情况下能够高效地排除无关类别数据。在真实数据集上的实验表明,本文提出的方法使得文本分类效率提升59.55%,改进的文本分类模型F1值较基准模型提升6.17%。（3）基于上述方法,为了实现网络舆情识别的便捷化,本文设计并实现了一种可对网络舆情文本进行分类的系统,并在该系统中集成了上述两种文本分类模型。依据软件工程的开发流程,本文对该系统的工程化开发步骤进行设计并实现。用户可通过简单操作快速进行对网络舆情文本的分类,这为网络舆情文本的快速甄别提供了有效的技术手段。