为了准确识别用户意图并帮助用户快速找到目标信息,需要在尽可能完整地表达目标信息全部涵义的前提下使用有限个数的标签对短文本进行分类。中文短文本通常表现出长度短、表述不规范和内容多样等特点,使用传统的文本单标签分类算法无法对其进行有效分类,因此针对中文短文本的多标签分类算法一直是学者们的重点研究方向。本文在现有文本多标签方法的基础之上,针对文本表示方法和特征提取策略进行改进,提出一种基于多维度特征融合的中文短文本多标签分类模型CRC-MHA,主要研究内容包括:（1）对比多种文本表示方法,包括Word2vec、BERT字向量和BERT句向量等。实验结果表明,相较于使用单一的文本表示方法,融合多种动态词嵌入文本表示的特征向量充分利用预训练语言模型在海量文本数据集上学习的文本特征表示能力,可以学习到更加全面的文本语义特征信息。（2）在模型特征提取层,设计了一种结合CNN、RCNN等多种特征提取模型与多头自注意力机制按照并行策略进行组合的特征提取策略,结合多头自注意力机制和Bi-LSTM提取全局关键特征的优势,以及CNN对于文本局部特征捕捉能力,融合多维度特征信息来表征句子的语义特征,从而获得更好的分类效果。本文的创新点有两点:其一,在文本表示层使用BERT模型和全词掩码技术进行动态词嵌入,对生成的词向量和句向量进行多维特征融合,借助海量预训练文本的优势更好地表征文本的上下文语义;其二,在特征提取层设计了一种结合CNN、RCNN和多头自注意力机制的并行特征提取策略,加强捕捉短文本内部的关键特征以提升分类效果。实验结果表明,CRC-MHA模型较BERT、BERT-CNN与BERT-RCNN模型在加权F1值评价指标上分别提升了2.07%、0.54%和0.46%,证明了本文提出的创新点对模型分类效果有提升作用,验证了模型的有效性。