随着图书馆日常工作的数字化和自动化推进,图书馆书目数量以指数级水平增加,利用人工手段解决书目的分类工作已经变得力不从心,将自动分类系统引入到中文书目分类任务中来就变得迫在眉睫。因此,本文试图构建一个中文书目自动分类系统来实现高效分类。中文书目自动分类系统主要包括了数据预处理、特征提取、文本表示和分类算法选择几个部分。对每个部分进行描述其工作原理以及相关的参数设定。前人所构建的中文书目自动分类系统主要是基于传统词袋模型,且没有应用集成学习这一具有极高分类准确率的算法框架。对此本文做出了文本表示和分类算法选择方面的改进。在文本表示方面,本文对比了传统词袋模型中的词频模型和TF-IDF模型,分布式表示方法中的Word2vec模型和GloVe模型在中文书目表示能力上的差异,通过实验发现分布式表示方法在书目表征能力上远胜于传统词袋模型。通过调整题目和摘要的权重比例,找出对书目表征能力最高的权重比例为1:4。最后提出了一种分布式混合表示模型,将Word2vec和GloVe的不同表示特点结合起来,将两者所产生的书目向量以相同的权重拼接起来,获得了最好的书目表征能力。在分类算法选择方面,引入集成学习算法框架,通过对比不同基学习器,支持向量机、决策树、朴素贝叶斯以及反向传播神经网络的集成分类效果,获得一个高效的中文书目自动分类器。实验发现,在集成学习Bagging框架下,反向传播神经网络算法的分类准确率达到90.19%。将本文构建的中文书目自动分类系统应用到多层中文书目自动分类任务中,发现低层次的分类准确率高于高层次的准确率。分析其原因,主要是由不同层次类别样本分布均匀程度不同造成的。最后通过实验分析了样本数量和类别个数对分类准确率的影响,得出结论:样本数量越多,分类准确越高,当数量超过40000条时,分类准确率基本保持稳定;类别个数越多,则分类准确率越低。经过多次实验,证明了本文所构建的中文书目自动分类系统有着较高的分类准确率,能够应用于图书馆的中文书目自动分类工作中,为书目分类问题提出了新的解决方法。