文本分类问题是自然语言处理的核心研究方向之一,其中又以多标签文本分类（MLTC）任务最为重要,且最具有挑战性。多标签文本分类在信息检索、推荐系统、用户画像等领域有着广泛的应用,在不同场景中,其数据的特征往往各不相同,因此又进一步增加了多标签文本分类任务的难度。在多标签文本分类问题中,一个样本对应多个标签,这些标签之间通常都存在某些内在的联系,早期的文本分类任务通常是基于传统的机器学习模型来完成,然而传统方法倾向于忽略标签之间的内在联系。随着深度神经网络的发展,一些基于深度学习的序列到序列（Seq2Seq）和序列到集合（Seq2Set）的模型纷纷应用在了多标签文本分类任务中,而这些模型也发挥出了出色的性能。然而,针对序列到序列（Seq2Seq）的模型来说,其引入了标签顺序这一干扰因素,而在实际任务中,标签应该是无序的集合,而不应该是有序的序列。对于序列到集合（Seq2Set）的模型来说,其预测的结果又缺乏可解释性,即模型并不能很好的解释分类后的每一个标签具体应该对应样本中的哪一句话或哪几个词。针对现有方法存在的不足,本文提出了一种新的算法框架,并将其命名为TC-SRM,该框架将多标签文本分类任务建模为文本序列化阅读的过程。该框架包括三个核心部分:文本特征抽取模块、深度强化学习模块以及标签间关联关系学习模块。在文本特征抽取部分,本文探索了多种不同的文本向量化表示的方法,并最终选取了实验效果最佳的多头注意力机制应用在我们的框架中;在深度强化学习模块,本文使用了Deep Q-Learning（DQN）算法实现文本的序列化阅读和决策过程;在标签间关联关系的学习部分,本文通过将智能体（Agent）的历史动作信息编码进环境状态（State）中,让算法学习到标签之间的关联关系。本文将该算法框架应用在了民间借贷相关的法律类案检索系统中,在与传统算法的对比中,TC-SRM模型在准确率和效率上的表现更好。最后,本文还对TC-SRM模型进行了改进,以期将本文提出的算法框架应用在更多的领域中。本文提出的算法框架已经作为开源工具发布使用。