铁路安全监督在保障铁路安全运营过程中起到重要的作用,相关部门每天都会进行大量的安全监督工作,并形成相应的文本记录。依据安全监督文本中所描述问题的严重程度、不同责任段务等铁路领域专业知识,重点采用自然语言处理方向下的文本分类技术,研究面向铁路安全监督文本依规分类的关键技术,对路网运营与安全大数据的多类别挖掘利用具有重要的研究意义及应用价值。本文面向铁路安全监督文本对分类任务的需求,对基于铁路安全监督文本的分类技术进行研究,主要贡献如下:(1)提出面向铁路安全监督文本的特征提取方法:针对传统基于词汇特征的TF-IDF和Word2Vec方法应用在专业词汇丰富且复杂度高的铁路安全监督文本上的局限性和不足之处,提出了一种字符级特征提取方法CLW2V(Character Level-Word2Vec),使用该方法可提取到更为细粒度的文本特征。(2)提出基于CLW2V的铁路安全监督文本分类方法:利用CLW2V实现的特征提取方法,结合卷积神经网络针对铁路安全问题库按照不同类别进行模型预训练并生成预训练分类模型,实现铁路安全监督文本的多类别分类。(3)提出基于铁路安全监督文本分类方法的应用:通过面向铁路安全监督文本的分类方法将铁路安全监督文本参照不同严重程度、专业领域、责任方和事件类型等类别进行多类别匹配,实现铁路安全监督文本的多类别分类应用。展示了实现的分类辅助功能,为铁路安全监督中相关的工作流程提供高效的辅助作用。通过在所获取的铁路安全监督数据集上的实验结果表明,以上方法均获得了预期效果,解决了传统方法中依赖事先分词而导致的特征提取效果不佳等问题,并给出了基于以上贡献在铁路安全监督文本中的应用路径。