文本分类根据分类后类标签的个数可分为：单标签分类和多标签分类。实际应用中,多标签分类是相当普遍的。目前对多标签分类的研究主要集中于多标签分类的特征选择和分类算法。但现有的多标签特征选择算法性能都难以得到满意的效果,有的时间效率低,有的对分类性能的提升影响不大。同时多标签分类算法也存在不考虑标签相关性以及无法显式显示分类规则等问题。通过对现有多标签特征选择算法的研究,结合Bootstrap的特点,本文提出了一种基于Bootstrap的组合多标签特征选择算法,该算法首先在特征选择前期使用Bootstrap方法为基特征选择算法抽取训练集,然后利用基特征选择算法对特征进行评价,再使用投票方法组合基特征选择算法的结果来确定特征的权重,最后依据特征的权重进行特征选择。实验表明该算法能有效提高分类性能。同时对多标签分类算法进行了研究,将粗糙集理论用于多标签文本分类,提出了基于粗糙集理论的多标签文本分类算法,该算法利用训练阶段得到的各个类别的分类规则与测试实例逐一匹配,得出实例的类标签集合,扩展了粗糙集理论在文本分类中的应用。考虑类标签之间关系,利用频繁项集挖掘算法挖掘类别之间的关联信息,并将挖掘出的关联规则用于对分类结果的校验,提出了基于频繁项集的多标签文本分类算法,该算法利用FP-growth算法挖掘类别之间的频繁项集,同时为每个类计算类标准向量和相似度阈值,如果文本与类标准向量的相似度大于相应阈值则归到相应的类别,在分类结束后再利用挖掘到的类别之间的关联规则对分类结果校验。实验表明本文提出的算法有效可行。