近年来,随着航运业的不断的发展,对信息技术的要求也日益增强,电子邮件通讯因为具有利用成本低、消息传递快捷等优势,已成为中国航运业业务交往的主要载体之一。目前海运邮件多标签分类技术大多是通过基于规范的方法进行,而由于规范的建立通常要求有关领域的专家或学者耗费大量时间对海运信件加以总结,而规范的建立往往更注重于文本中文字字面特征形式,并不能有效使用海运邮件文本上下文信息。所以,有必要采用基于深度学习的文本多标签分类技术,将同一业务类型的海运邮件进行多标签分类以便于进一步检索与利用,例如进行实体识别等任务。通过以上对海运邮件特点的分析,由此提出一种基于深度学习的海运邮件多标签分类的方法,并设计与实现了海运邮件多标签分类系统,具体研究内容如下:（1）构建 MLC-M（Multi-label classification of Marine Mail）模型。该方法不再只关注海运邮件中的词级语义信息,也考虑了海运邮件字符级语义信息,这一过程是通过在词向量表示层中引入CNN学习文本字符级特征完成的,最终将词级语义信息和字符级语义信息进行拼接完成海运邮件词向量表示;同时MLC-M模型中,在BiGRU模型的基础上融入自注意力机制,获取代表子空间的多维度和语义信息,并对不同的单词赋予不同权重来突出关键区域,重要的海运邮件文本信息赋予更大的权重。（2）对提出的MLC-M模型在海运邮件数据集上进行对比实验,并分析对比实验的结果。本文实验数据集选取海运邮件数据集,选取F1作为评价指标,分析实验结果,与传统多标签文本分类方法进行实验对比,MLC-M性能有一定的提升,验证了MLC-M模型在海运邮件多标签分类任务上的有效性。（3）设计并实现海运邮件多标签分类系统。该系统前端采用Vue框架,后端使用Python的Flask开发框架,包含邮箱管理、邮件获取、邮件分类、邮件管理、发件人管理五大功能模块,最终该系统通过测试,可以应用到海运物流公司,节省人力成本的同时提高海运物流公司的工作效率,在相对较短的时间内获得最重要的信息可以为海运物流公司在市场竞争中带来优势,同时也代表着可以为海运物流公司获取经济效益。