网络信息服务范围逐步扩大,呈现出明显的智慧化与精细化特征。频繁的互联网行为产生大量信息,导致网络信息量庞大难以处理;网络空间具备开放性、强交互性、高隐蔽性且传播速度快等特点,已成为不法分子开展危害社会公共安全活动的主战场,对国家安全部门在网络治理模块的行动策略及手段提出了更高要求。本文着眼于海量网络信息中的文本信息类型,提出一种基于深度学习方法的网络敏感信息感知方法及模型,针对网络文本信息分别开展特征提取与中文命名实体识别。在繁杂的网络信息中,存在大量敏感性文本信息,文本信息自身具有一词多义、歧义、断句不明晰等问题,在文本分析处理过程中造成极大的噪声干扰,加之网络空间中信息流速快,致使情报分析部门不能迅速获取或拦截信息,也很难从中剖析出大量有价值、可利用的信息。尽管大数据技术日趋成熟,也成功应用于各行各业,但针对大规模杂乱的文本数据,大数据技术显然已达不到数据处理高效性与精准性的要求,故而选取深度学习方法,在提升效率的同时更全面地获取深层信息。首先选取了稀疏自编码器提取网络短文本特征,利用稀疏自编码器的主动学习过程,使目标短文本由高维向量转化为低维向量,剔除干扰项,确保低维向量中包含原始数据的本质特征,为验证该方法的有效性,设置传统特征提取方法作为对比,并以实验验证;其次选取了双向长短时记忆网络与条件随机场相结合的方式实现对中文文本的命名实体识别,设置仅使用双向长短时记忆网络实现中文命名实体识别的实验作为对比组,均验证了深度学习方法的高准确性与有效性,由此证实本文所提方法及模型可实现对网络敏感信息的主动迅速感知。在杂乱繁多的网络信息中,对文本信息敏感性的考量和界定是一项重要任务,涉及到文本特征的准确提取、敏感性界定、对特定敏感实体的识别等,只有深度挖掘文本信息中潜在的特征性质,才能准确感知和发现其可能具备的敏感性,从而为维护网络环境和公共社会安全提供事先预警协助。