文本分类是自然语言处理（NLP）领域的一个主要的应用分支,在各种现实场景中具有很重要的实际应用价值。文本分类分为单标签文本分类和多标签文本分类,其中单标签文本分类是指有且只有一个标签属于这个待预测的文本数据;多标签文本分类是指待预测的文本数据对应两个或两个以上的标签,且多个标签之间不相互排斥。多标签文本分类可以更好的表示文本数据所代表的主要特征,更符合实际生活中的应用需求。本文围绕多标签文本分类存在的文本特征提取和标签相关性问题,提出了中文多标签文本分类算法模型。（1）本文针对word2vec、Glove等特征提取模型不能解决一词多义的问题,提出引入Albert模型解决一词多义以及长距离的语义依赖问题;同时考虑到文本数据中不同词出现的频次对文本数据的影响,本文使用TF-IDF算法抽取文本数据中权重最高的K个词构建关键词表,将关键词表与Albert生成的词向量进行向量拼接,构成一个融合关键词信息的多义词向量。在传统的TextCNN基础上,根据中文语言特点,通过改进卷积核的窗口大小来提取文本数据的深层局部特征。最后通过实验验证了改进模型的有效性。（2）在对中文文本进行多标签分类时,待预测的标签和已经预测出的标签之间往往存在相关性。本文提出以seq2seq架构作为基础,将上文改进的词向量作为词嵌入层,改进的TextCNN作为编码器提取文本数据的深层局部特征,得到具有深层语义的向量。为了利用标签的相关性,本文使用改进的LSTM作为解码器,根据文本数据上下文的关联性,通过之前预测的标签来影响当前的标签预测,顺序的生成标签序列。实验证明得到了较好的分类效果。（3）本文设计了一个中文新闻多标签文本分类系统。用户输入待分类的中文新闻数据,数据首先经过文本预处理模块,然后将经过处理的数据传输给已经被训练好的多标签文本分类器进行中文新闻多标签文本分类,让用户在发布新闻文本时打上被预测出来的标签,方便人们查阅。