随着互联网时代的发展,网络和平台充斥着各种各样的文本信息,如何高效且智能地搭建文本信息的标签体系,成为这些年来主流的研究问题之一。多标签文本分类任务作为自然语言处理领域中一项经典的基础任务,其特有的属性常常表现在标签之间的共现性。因此多标签文本分类模型不仅存在如何更加高效地提取文本特征的问题,还存在如何合理地利用标签共现性的问题。本文基于深度学习模型对上述问题进行研究,主要分为两方面的工作:一方面是基于序列生成式模型和标签语义注意力机制进行研究改进,另一方面是基于胶囊网络和动态路由算法进行分类任务。本人的研究内容如下:为合理且有区别地提取样本的文本特征信息以及缓解序列生成式模型存在的形体处罚问题,本方案设计了一种改进的序列生成式模型:S2S-LSAM。S2S-LSAM模型利用序列到序列（Seq2Seq）的网络结构模式来处理多标签文本分类任务。S2SLSAM模型在编码端利用双向LSTM网络提取文本样本的上下文特征信息,还通过标签语义注意力机制将标签语义和上下文特征进行信息交互,从而帮助模型筛选出候选标签信息以及与标签最为相关的文本特征信息。最后模型依据序列生成的方式进行标签集合的预测,还引入了策略梯度算法对模型进行更进一步的优化。多种实验验证了S2S-LSAM模型的有效性。针对传统多标签文本分类模型存在忽视标签语义信息、无法区分不同位置下文本内容的重要程度以及并没有很好地拟合标签和特征之间的联系等缺陷,本文设计了一种新型但传统的模型:L-RCap。L-RCap模型利用双向循环神经网络提取文本样本的上下文特征。将S2S-LSAM模型的标签语义注意力机制进行改进,直接通过文本特征和标签语义之间的相似度来重构文本特征。此外,引入胶囊网络,将其用于扩展特征信息,加深特征之间的联系。为减轻模型计算量,利用压缩技术将向量化的特征进行压缩。最后,L-RCap模型采用动态路由算法进行标签预测,这种方式加深了预测标签和特征之间的联系。实验结果验证了L-RCap模型的优越性。