近年来,随着互联网的普及,互联网文本信息也在快速增长,这些文本信息中蕴含着大量对人们有价值的信息,如何有效地组织、整理这些信息逐渐成为学术界关注的焦点,文本分类一直是挖掘文本信息的重要技术手段。当今互联网文本结构复杂、种类繁多,多标签文本分类已经成为研究的热点。然而传统多标签文本分类算法大多忽略标签的语义信息,或者对标签的语义信息利用不充分。因此,本文在多标签文本分类模型中嵌入标签语义信息,引入胶囊网络,对文本进行特征提取并最终实现分类。主要工作如下:（1）针对传统多标签文本分类模型忽略标签语义信息,以及以往标签信息嵌入模型对文本特征提取不充分,丢失文本特征信息的问题,提出一种基于标签语义信息嵌入的多标签文本分类模型（Label Embedding Multi-label Text Classification,LEMLTC）。利用BERT（Bidirectional Encoder Representations from Transformers）将待分类文本和标签集合中的单词嵌入成低维向量,生成文本嵌入矩阵和标签单词嵌入矩阵,并计算标签单词与文本单词的语义相似度,生成注意力向量为文本嵌入矩阵加权,确保相关单词的权重比不相关的单词高。在公开数据集AAPD、BGC和Reuters-21578上设计并实现了多种模型对比实验、不同标签结构复杂度下的分类性能测试实验和消融实验,还随机抽查了一些标签的F1值。结果表明,LEMLTC模型在一定程度上提高了多标签文本分类的精度。（2）加权后的的文本嵌入矩阵含有大量的原始文本特征信息,在LEMLTC模型的基础上引入胶囊网络,提出基于标签信息嵌入的胶囊网络（Label Embedding Capsule Network,LE-Cap Net）模型。在LEMLTC模型的基础上对文本特征做进一步提取,并通过胶囊网络独有的动态路由机制生成分类胶囊,用分类胶囊的模代表该文本包含对应标签的概率,实现多标签文本分类。通过与LEMLTC模型以及其他常用模型的对比实验验证了LE-Cap Net模型的有效性,相对于其他模型具有更好的分类效果。本文综合分析了传统多标签文本分类模型的优缺点,针对不足之处提出LEMLTC模型和LE-Cap Net模型,并通过实验验证了这两个模型在多标签文本分类任务上的优越性。