近年来,随着互联网和计算机技术的发展,各个领域的质检投诉数据积累越来越多,因此对质检数据进行分类的研究具有重要意义。目前主流的三种分类方法字典匹配、机器学习模型、深度学习模型均存在共性问题,字典匹配对于词库依赖度较高,机器学习模型和深度学习模型都需要较好的词嵌入表示。针对以上问题,本文基于质检领域数据将字典匹配、深度学习模型进行组合提出一种新的分类方法进行投诉文本的分类。主要贡献如下:（1）构建基于词典和句法依存树的中文命名实体识别模型。针对质检领域数据集存在许多专有名词使得分词困难和同一词在不同句子中的词存在多义性的问题。本文通过在主流的基于图神经网络丰富字符信息的基础上进行改进,提出一种新的基于词典和句法依存树的中文命名实体识别方法,旨在解决由于字符向量缺少词信息和词之间的句法依赖结构信息而导致的错误传递问题。将句子中的词信息和句法依存树信息形成图,再通过自适应门控图神经网络（Adapted Gated Graph Neural Networks,AGGNN）将其融入到字符向量中,从而使得每个字向量很好地获取词汇间的语义关系。最后通过实验证明,对于质检领域这种专有名词较多的数据集有较好的效果提升。（2）构建一种结合词典、实体识别、传统文本分类相结合的分类方法。针对在质检数据集上仅仅依靠词典、实体识别、纯文本分类模型各自进行分类无法获取较好的分类结果的问题,本文提出一种基于投票机制的分类方式来提升最终的分类准确率。本文将三种分类方式进行整合,分类词典由国家标准商品名称分类表和实体识别所生成的新词共同构成,通过正则表达式和字符串匹配进行分类;实体识别使用上文所提到的中文实体识别算法进行新词提取和分类识别;文本分类选用TextRCNN算法模型作为文本分类模型。按照各模块结果进行汇总,选取类别最多的作为最终分类结果。实验结果表明此方法效果最佳,准确率约为91%。这种基于投票机制的文本分类模式适用场景广泛,对于不同阶段、不同应用场景有更好的适配性。（3）设计与实现质检信息管理系统投诉分类子模块。基于将投诉分类数据进行可视化、校正、导出的功能需求,本文通过使用Django和Vuejs的前后端分离技术将分类模型嵌入,通过Django来进行数据业务处理,之后通过Vuejs进行页面渲染,最终实现相关需求,为后续使用提供了极大的便利。