随着互联网时代下网络信息的爆炸式增长,多标签文本分类已经成为处理文本信息数据的一种有效手段。信息数据可以通过多标签文本分类快速准确地定位到所属类别,多标签文本分类算法渐渐成为自然语言处理领域的研究热点。但是目前的多标签分类算法还存在着数据的类不平衡和计算复杂度高的问题,而且通过网络产生的多标签数据存在特征维度高、数据复杂等特点,当直接用于分类任务时,容易对分类效率和分类准确率产生影响。基于这些问题,本文对多标签文本特征降维方法和分类算法进行研究,分别改进出基于Kullback-Leibler散度依赖性最大化的多标签降维方法和基于引力的多标签文本分类模型。针对多标签分类过程中多标签数据的高维特征会导致计算难度大和分类效率低等问题,通过对基于依赖性最大化的降维方法进行改进,得出一种基于Kullback-Leibler散度依赖性最大化的多标签降维方法。在分类过程的特征降维阶段,将原始矩阵映射到低维空间中并通过Kullback-Leibler散度最大化原始特征描述与类标签之间的依赖性,由于不需要特征分解,使得计算量得到很大降低。实验结果表明该降维方法能够有效进行多标签数据降维,提高了分类效率。针对现有的多标签文本分类算法存在计算复杂度高和数据的类不平衡等问题,通过对引力模型改进得出一种基于引力的多标签文本分类模型。在训练阶段,首先计算出每个类别的质心向量,然后计算文档与类质心之间的相似性获得相似性区间。在测试阶段,通过比较未定义文档和类质心之间的相似性是否在相似性区间内来进行多标签文本分类。实验结果表明,改进的多标签文本分类方法在性能指标上优于现有一些常用的多标签文本分类方法,证明了该方法用于多标签文本分类中的有效性和可行性。