近年来,随着互联网和信息通讯技术的快速发展,人们已习惯在线办理各种业务。这导致线上海量文本数据呈爆炸式增长趋势,对依靠人力处理政务和提供服务的政务平台造成了巨大压力。文本分类技术作为能加速工单审批、建档分类的可行途径之一,逐渐受到学术界和工业界的广泛认可和关注。目前,在电子政务领域中,文本分类算法的应用寥寥无几,模型鲁棒性差是现有模型在实际应用时面临的主要难题,而导致此现象的原因一方面来自数据层面,主要表现在:文本自身及标签噪声率高;文本类别众多、各类别数据分布极度不均衡。另一方面,模型层面存在现有方案对文本标签间的相关性挖掘不充分等缺陷。针对上述问题,本论文以12345政府服务热线为应用场景,研究并实现了基于深度学习的电子政务文本分类算法。首先,针对标签噪声率高、各类别样本分布不均衡问题,本文提出了基于标签修正和属性感知的电子政务文本分类算法。该算法利用实际的政府工单文本数据设计标签相似度矩阵,通过阈值设定构建标签智能评估修正模块,实现了在不损失数据的前提下对文本进行降噪处理;随后将工单派发流程建模为电子政务文本分类问题,设计属性感知文本分类模块获取更具判别性的文本表示特征以完成单标签文本分类任务。结合上述两个模块,构建了两阶段电子政务文本分类算法从而完成政府工单智能派发任务。实验结果表明,与直接使用Text CNN（Text Convolutional Neural Network,Text CNN）模型相比,本算法在两个电子政务文本数据集上准确率分别提升5.23%和3.91%。接下来,为了挖掘文本的全局语义信息和标签间关联性特征,本论文提出了基于双向时序卷积注意的政务文本多属性预测算法,该算法联合预训练语言模型和双向时序卷积单元构建编码器,以单向长短时记忆单元作为解码器,利用注意力层生成中间语义编码,共同构建序列到序列的多标签文本分类网络以获取全局多样性语义特征进行分类,从而完成政务文本多角度属性预测任务,并增强智能政府决策预测方案的通用性。实验结果表明,与基线模型相比,本算法在多种分类指标上具有1%～2%左右的提升效果。本论文研究并实现的基于深度学习的电子政务文本分类算法可广泛应用到工单审批、政策法规发布、文档及网页分类等政务场景,也可推广到智慧司法判决等相关领域。