在当今大数据的时代中,海量多领域政策文本出现在在日常生活中,如果可以有效利用这些多领域政策文本数据,不仅可以有效的帮助人民理解、维护政策,同时可以协助国家规范执政手段、提升执政效率。正因如此,许多研究人员围绕政策文本展开了研究,希望可以更有效地应用这些数据。作为自然语言处理的重要任务之一,文本分类是许多任务的基础,本文利用多个领域政策的文本分类技术,为多领域政策知识图谱的构建项目做出支撑,针对多领域下的政策文本分类提出了相应的模型,以提升分类任务的精确性。本文针对多领域的政策文本,提出了一种高效准确的通用政策文本分类模型BERT-RC,在预训练模型的基础上,进一步改进文本表示,将更多的文本上下文信息融入到文本特征表示中。模型首先通过预训练模型得到优秀的词向量表示,然后通过双向循环网络充分提取文本的上下文特征,接下来通过卷积神经网络强化局部的文本特征提取、优化文本信息的捕捉、突出内容的特征,最后通过这些文本特征得到文本分类的结果。在政策文本数据上,BERT-RC模型相比于基线模型F1值均有提升,实验表明,本文提出的BERT-RC模型可以优化文本特征表示,提升模型的分类精度,消融实验也证明了模型各个模块的积极作用。同时针对层级性多元文本分类任务,提出了一种快捷有效的HFT-Trans模型,使用Transformer和BERT词向量优化文本特征表示,并利用分层的模型结构解决层级性多元文本分类中下层类别的文本训练数据过少、分类粒度更细致的问题,将上层的模型参数迁移到下层的模型中,使下层模型包含上层模型的分类信息,利用上层的数据促进下层的分类。同时加入了对抗训练,使复杂模型在少量数据集上避免过拟合的问题,动态学习率也加速了模型的最终收敛,在此基础上,最后还加入了集成学习,验证了集成学习的网络确实优于单一网络,可以提升模型的泛化能力。在层级性多元本分类任务场景下,本文提出的HFT-Trans模型取得了较好的结果,实验表明,HFT-Trans模型可以很好的处理层级性多元文本分类任务,提升任务的精度。