近年来,中国经济高速发展,这背后离不开国家政府的经济规划与产业政策制定,经济政策的变动一直被社会各界紧密关注。然而目前仍然缺乏一套可以定量刻画政策变动的指数体系,如何对政策文本进行科学地量化分析一直都是政策研究的主要内容。传统的政策量化研究方法大多仅从时间、空间两个维度对政策进行统计分析,对研究人员的分析能力依赖程度高,且主观性强、成本较高,不能有效地挖掘政策文本信息。围绕这一问题,本文基于政策文本数据,结合深度学习和自然语言处理技术对政策文本进行处理,构建了政策浮动指数（Policy Float Index,PFI）。设计并实现政策变动分析系统,使用户能够实时地观测到政策的变动情况,同时还对政策变动的原因做出合理解释。本文的主要研究内容如下:1.针对传统政策研究方法效率低下、政策文本特征稀疏的问题,研究实现了基于语义增强的政策挖掘算法模型。首先,本文设计了数据增强策略对政策文本进行数据增强,然后采用BERT词嵌入模型代替传统的Word2vec模型,强化语义信息的表征,再结合改进的基于自注意力机制的RCNN提取不同于语境下的文本特征,根据模型融合机制,采用BERT-RCNN模型进行头条判别,通过实验对比验证了该模型的高效性,为后续准确构建政策浮动指数提供保证。2.在政策头条判别模型的基础上,构建政策浮动指数—PFI。首先基于头条判别模型的评价结果定义PFI,选取一个固定长度的滑动窗口在时间轴上以固定距离进行滑动,分别训练每个时间窗口内的BERT-RCNN模型,根据得到的F1值计算出PFI,由此得到PFI在指定时间区间内的变化曲线图。然后根据PFI拐点进行分析,每个拐点表明了政策的变动,通过对该拐点政策的主题分析得出政策的变动原因,使政策制定者能够及时采取措施、大众媒体能够及时正确引导舆论走向,最后通过实验验证了PFI模型的有效性。3.设计并实现了政策变动分析系统。在对关键算法研究的基础上,针对《经济日报》政策新闻数据集,根据项目需求对本系统功能模块进行了整体设计与实现,系统主要包含政策采集、PFI波动展示、PFI变动分析等功能。并从功能上和性能上对系统进行测试,验证了该系统能够为用户研究政策变动提供全面分析。研究成果对政策变动量化研究具有实际借鉴意义。