随着铁路客票系统12306互联网售票功能的不断优化,使用该系统购票的旅客数量与日俱增,伴随而来的投诉问题也呈现多样化的特点,如何高效快速地解决旅客投诉问题是铁路部门一直以来研究的重要问题之一。人工处理是当前铁路部门解决旅客投诉问题的主要模式,对客服人员的业务水平有较高要求,客服人员需要不断学习新的业务规则来应对多样化的投诉问题。人工判别投诉问题类型不可避免会有问题定位不准,导致工单流转错误的情况发生。此外,客服工单的多级流转也会延长问题处理等待时间,不利于提高投诉问题的处理效率。本文运用文本分类、机器学习、深度学习等人工智能相关理论,选择12306客服工单数据作为研究对象,首先对客服工单文本数据进行分析梳理,提炼文本特征,其次建立基于Bert-XGBoost算法的工单分类模型,最后结合12306业务构建智能工单受理原型系统。主要研究内容如下:（1）文本分类相关理论综述分析。通过对文本分类基本原理及前沿方法的阐述,针对不同文本分类算法和模型,对应用场景、优劣势及存在问题进行了系统分析。（2）客服工单数据分析和处理。通过词频统计分析和基于TF-IDF关键词特征的Kmeans聚类分析,获悉现有业务标签存在的问题以及工单数据的文本特征情况。提出了基于聚类与人工相结合的方式标记工单数据的业务标签。（3）提出了基于Bert-XGBoost算法的工单分类模型。首先通过Bert模型提取工单数据的语义特征,而后使用贝叶斯优化的方式对XGBoost模型进行调参,最终利用最优参数对Bert输出的语义特征进行训练,从而获取最佳的分类模型。使用Accuracy、F1-marco、F1-weighted三种分类评价指标对模型进行评估,结果表明,Bert-XGBoost模型的分类效果优于TF-IDF和Word2Vec向量构建的模型,其中Accuracy指标提升了5%以上。（4）构建智能工单受理原型系统。结合Bert-XGBoost工单分类模型和12306业务服务内容,构建智能工单受理原型系统。阐述了系统的架构和投诉问题的处理流程,并对工单系统解决12306投诉问题的解决率和处理效率进行了分析。