随着我国互联网技术的快速发展,人们逐渐使用电子设备通过网络通道来进行日常的工作和交流,广大网民成为了网络舆情信息传播的主要介质,网络中的舆情信息爆发式增多。冗长的舆情数据不仅严重浪费舆情信息分析人员的时间和精力,而且其内容中的不良言论也会给社会稳定带来影响。此外,在海量鱼龙混杂的网络数据中存在大量对相关部门有价值的舆情信息,如何获取并高效地分析这些数据从而帮助有关部门更好的了解社情民意是一个亟待解决的问题。基于以上问题,本文对网络舆情信息识别与分析中所涉及到的文本摘要技术和文本分类技术进行了相关研究与探索。本文的主要工作包括:1、针对舆情信息文本过长以及信息中存在主观情感内容的问题,基于带注意力机制的Seq2Seq模型实现了文本摘要模型,为每条舆情信息生成一个简短的摘要信息,将舆情信息简洁化,并使用Coverage机制解决模型生成过多重复词语的问题。2、针对目前生成式文本摘要模型对于文本主题信息利用较少的问题,使用一种有监督算法提取出文本的关键词信息,并利用此关键词信息对注意力机制进行改进,使模型对文本主题信息更加敏感,从而使得模型的效果得到提升。3、针对目前大多数生成式文本摘要模型都是从词级别或者字符级别对原文进行编码的问题,提出了一种双编码器文本摘要模型,同时从词级别和子句级别对原文进行编码,使得解码器所使用的语义向量包含的信息更加丰富,模型生成的摘要更加准确。4、针对文本摘要模型编码器输入序列过长,RNN编码器在编码的过程中逐渐丢失原文中靠前位置编码信息的问题,提出了一种双阶段式文本摘要模型。首先利用有监督算法将原文中与文本主题更为相似且含有更多文本关键词的子句挑选出来,然后将其作为生成式摘要模型的输入进行第二阶段的训练,在减少网络时空开销的同时提升了模型效果。5、针对舆情信息过于零散和杂乱,难以从中获得高层次有价值信息的问题,使用文本分类技术将信息结构化。并以成都地区网络警情信息为例进行分析,根据其数据特点基于CNN设计并实现了一种新颖的文本分类模型SPCNN,其分类效果优于其他对比模型。