工作票是大型复杂IT系统运行时的产物,记录着系统产生或者用户上报的故障事件信息,是开展系统运维活动的重要数据载体。实现工作票问题自动化分类是智能化系统运维的重要研究内容之一,对于提高系统运维效率,降低系统运维成本有着显著的贡献。现有的工作票分类方法未考虑工作票问题分类标签中存在的噪声,且存在分类方法精度不够高的问题。因此,有必要研究面向噪声工作票的分类方法,以消除噪声标签给工作票有效分类带来的负面影响,进而提高分类精度。本文以噪声工作票为研究对象,研究了噪声标签识别和重标注方法,在此基础上,研究了基于深度学习的工作票自动分类方法,试图提高工作票自动分类准确性。具体开展的研究工作有:1.针对工作票数据中噪声标签降低分类方法精度的问题,提出一种基于随机噪声分类模型的标签重标注方法。该方法先利用诸如逻辑回归、朴素贝叶斯等分类器识别训练数据集中所包含的噪声标签数据,而后基于最大预测概率为噪声数据重新分配最合理的准确标签,从而得到清理后干净的工作票数据集。在合成数据集、文本类型数据集和真实工作票数据集上进行了实验验证,结果表明该方法能有效降低数据噪声率,提高分类精度。2.为了提高工作票自动分类方法的精度,以去噪后的工作票数据为研究对象,提出了一种基于双向循环神经网络的工作票分类方法。该方法采用词嵌入技术以向量方式表示工作票数据,作为学习模型的输入,采用双向循环神经网络（Bi RNN）构建基分类器对工作票问题描述文本的前向序列和后向序列进行学习,并利用单词和句子级别的分层注意力网络学习工作票文本中的关键词汇和关键句子信息。在基分类器分类基础上,利用层次多标签分类算法综合考虑工作票多标签之间存在的层次信息,生成工作票的层次多标签分类模型实现工作票分类。在真实工作票数据上进行实验验证,结果表明该方法可有效提取工作票关键信息并实现准确的层次多标签分类。3.综合应用噪声标签重标注方法和基于双向循环神经网络的工作票分类方法,设计和实现了工作票管理系统的两个核心子模块:工作票预处理模块和工作票分类模块。重点阐述了两个核心子模块的关键业务过程、算法和数据库设计等。