文本分类任务属于自然语言处理（Natural Language Processing,NLP）领域中的一个基础且十分重要的子任务。该任务旨在为一段文本打上对应的标签。比如对新闻文本数据进行主题分类,对电商平台的用户评论进行星级预测等。随着互联网数据的爆发式增长,如何对这些庞杂的文本数据进行分类已成为了一个非常重要的研究方向。目前最常见的文本分类方法主要都是基于深度学习模型的,其中主要包括卷积神经网络（Convolution Neural Network,CNN）、循环神经网络（Recurrent Neural Network,RNN）、胶囊神经网络（Capsule Networks,Caps Nets）以及一些基于标签嵌入的方法。其中,Caps Nets由于将标量特征替换成了向量表示,便拥有了更加强大的语义信息表达能力,并利用路由算法尽可能多地捕捉了有用的高级文本特征,极大提升了文本分类的效果,但仍然存在一些不足。本文通过对当前大部分基于Caps Nets研究方法的分析和总结,总结出以下问题:一是目前的方法都是利用CNN提取定长的局部文本特征（多元语法特征—n-gram）,而忽略了单词所对应各个多元组的重要程度应该是由具体上下文决定的这一问题,这将直接影响到模型对整个文本的语义理解;二是仅仅在预测阶段利用文本标签作为监督信号使用,而忽略标签本身所富含的丰富语义信息;三是在Caps Nets高层与低层胶囊之间进行全连接路由,使得一些来自低层的冗余语法语义信息被传送到高层胶囊,这些信息将会干扰分类结果。针对上述问题,本文对目前基于Caps Nets的文本分类模型进行了改进,本文的主要工作如下:第一,构建了“多尺度特征部分连接胶囊网络文本分类模型”（Mul Part-Caps Nets）。将多尺度特征注意力融入到了Caps Nets中,多尺度特征注意力能够利用CNN自动为每个单词选择不同尺度的多元组,通过对其对应的特征进行加权求和,就能为每个单词精确捕捉到丰富的多元语法信息以帮助胶囊网络对文本特征的建模;同时,由于多尺度特征注意力的引入,不再需要多个相似的完整胶囊网络层去捕捉不同尺度的语法特征,参数规模也得以大大缩减;最后,提出的部分连接路由算法（Partly-connected Routing Algorithm）,让高层胶囊仅仅与部分相邻的低层胶囊保持连接,即将低层与高层胶囊之间较小的路由权重去掉,并将剩下的权值重新进行加权平均,以使得权值之和保持为1,这有利于减轻低层胶囊中的冗余语法语义信息向高层胶囊的传递,这样高层胶囊所提取到的文本特征才会更加准确。第二,本文将文本的标签信息也引入到了胶囊文本特征建模的过程中,在Mul Part-Caps Nets的基础之上构建了“融入标签信息的多尺度特征部分连接胶囊网络文本分类模型”（Mul Part Lab-Caps Nets）。通过计算单词与标签集中所有标签的相关性,为每个单词分配相关性最大的那个标签权重作为补充信息进行文本表示学习,这样模型能根据标签中的语义信息强化与分类相关单词的在训练过程中的作用,而弱化与分类无关信息对模型的影响。本文在7个大规模文本分类公共数据集上进行实验,实验结果表明,本文所提出的模型在分类准确度上达到了1个百分点左右的提升,最高可达1.7个百分点;同时也对模型进行了参数规模分析,在利用了更丰富多元语法特征且不影响模型效果的前提下,缩减了3/4的参数量,验证了模型方法有效性。