电子邮件已经成为人们生活和工作中必不可少的交流媒介,在现阶段人们的生活和工作中发挥着不可或缺的作用。电子邮件在带来便利的同时,也存在这电子邮件整体安全形势不容乐观的现象,邮箱遭遇攻击和数据库泄露事故层出不穷,导致包含大量敏感信息的电子邮件泄露,这些数据对社会、企业,尤其是个人敏感信息安全会造成非常严重的影响。本文通过对敏感邮件的分类和研究,旨在从众多繁杂的邮件中识别出含有敏感信息的邮件,引起用户对高度敏感邮件的关注,对个人和企业做出预警处理。目前,对电子邮件中敏感信息的识别和检测的研究相对较少,常用的方法不能非常准确的识别出敏感信息。本文对BERT模型进行改进,并提出Bi GRU-att敏感邮件分类方法,具体研究工作及贡献如下:（1）针对电子邮件文本词向量稀疏的特点,改进BERT模型来得到高质量的密集词向量,并与其他的分布式表示词向量的文本表示方式进行对比实验,实验结果证明对BERT模型的改进能够增强邮件文本词向量的特征表示,使邮件文本的词向量更契合于本文的邮件分类任务;（2）针对敏感邮件文本稀少的缺点,采用基于翻译的数据扩充方法对敏感邮件文本数据进行扩充,增加了文本数据的多样性和训练集的大小,使数据集更加平衡,有助于BERT模型在微调阶段学习到更多的敏感邮件文本语言的语义信息;（3）本文将正常邮件分为敏感邮件和非敏感邮件,使用的分类模型是Bi GRU-Att,即将两个普通的单向GRU网络合并为一个双向的GRU网络结构,并引入注意力机制对Bi GRU提取的特征进行权重分配,最后使用Softmax对特征结果进行归一化处理,从而得出邮件文本的敏感度倾向,经过实验表明本文提出的敏感邮件分类方法有效提升了敏感邮件分类的的准确率。