现代社会,电子邮件是人与人沟通的重要途径。如何快速获知邮箱中海量的待处理邮件的信息内容,精准锁定重要邮件,成为了制约信息获取速度,提升信息交流效率的核心问题。针对这一问题,本文提出开发一种全新的邮件助手系统,实现邮件内容以摘要形式显示在系统收件箱邮件列表中,帮助使用者极大提高处理邮件的速度和精准度;邮件按照重要程度,分布在邮件列表的不同区域。论文的主要研究内容有:（1）邮件数据预处理:基于公开的Enron Email Dataset数据集,采用Deep L软件进行翻译和语病修正,获得中文邮件数据集;人工标定邮件重要程度,邮件摘要;使用jieba分词软件将邮件中的句子分割成词语,且过滤停用词;用Word2Vec模型生成词向量,为深度学习准备数据集。（2）邮件文本摘要:利用RNTN（Recursive Neural Tensor Network）模型提取句子特征生成句向量,作为TextRank模型计算相似度分数的依据,优于采用原先词频计算相似度方式;利用句子位置不同,对处于句首的句子分配更多的权重,同时采用TF-IDF（term frequency–inverse document frequency）算法,利用词频和逆向文件频率信息建立关键词词表,调整句子分数,增加了相似度以外的维度考量,进一步提高摘要句子提取准确性。测试结果表明,改进的TextRank模型在Rouge-1、Rougle-2和Rouge-L值达到了0.3842、0.1526和0.3631,高于其他5种模型;选取最终得分最高的句子为首摘要句子,在同摘要句子相似度低于阈值的数据集中,选取得分最高的句子,为次摘要句子,更全面精确的表达邮件内容。（3）邮件分类:用RNTN生成的句向量作为输入,采用BiGRU（Bi-directional Gate Recurrent Unit）模型提取文本特征;引入Attention机制,提高特征抓取能力;修改Attention机制中Query值随机设置方式,采用文本摘要的句向量来初始化Query值,提高整个神经网络文本特征提取的能力。测试结果表明,该ATT-RNTN-BiGRU模型分类精确率达到了83.7%,优于Bi LSTM（Bi-directional Long Short-Term Memory）、BiGRU等神经网络模型。同时采用Text CNN（Text Convolutional Neural Network）模型,对短邮件进行文本特征提取和分类,弥补BiGRU网络模型的不足。（4）邮箱助手系统:采用vue框架和springboot框架搭建了邮箱助手系统;系统在收件箱邮件列表中提供邮件摘要信息和重要度分类。使用情况表明,摘要准确率达到82.5%,分类准确率达到85.6%,客户邮件处理效率提升40%以上。