网络平台的蓬勃发展使得短文本数据大量涌现,由于该类数据具有多标签、多角度的特征,用户在浏览短文本时无法快速获取目标信息,因此针对短文本进行有效的多标签分类是现在研究的热门问题之一。短文本数据具有内容短、数据量大、表述不规范等特点,这些特点导致其分类时面临噪声多、特征不密集、上下文不独立等问题。由于短文本中标签数的增长,传统的分类方法无法满足现有的需求。针对目前短文本分类方法存在的数据分布不均匀,建模矩阵特征稀疏等问题,本文做了如下贡献:(1)针对传统特征提取算法无法对稀疏的短文本特征进行有效提取的问题,本文提出了基于Word2vec模型的短文本特征提取方法。首先对短文本进行向量化表示,并对其进行两方面的处理,一方面是利用优化的Word2vec模型对向量进行降维,然后利用词频-逆文本频率(Term Frequency-Inverse Document Frequency,TF-IDF)算法进行加权,另一方面是直接利用TF-IDF进行向量处理。然后将这两种方法处理过的向量进行合并和特征提取,最后使用支持向量机(Support Vector Machine,SVM)进行分类。通过实验证明,该方法可以对短文本进行有效的特征特取,在分类效果上明显优于其他算法。(2)针对传统的多标签文本分类方法不能对数据分布不均匀的样本进行很好的处理,并且传统的神经网络方法会产生梯度消失和梯度爆炸的问题,提出了基于LGMC模型的多标签短文本分类方法,该模型使用长短期记忆模型(Long-Short Term Memory,LSTM)对文本向量进行提取特征,然后使用门循环单元模型(Gate Recurrent Unit,GRU)对特征向量进行进一步提取,并利用构建的标签树,对特征向量进行分类。通过实验验证该模型的性能要优于传统的多标签分类算法和传统的神经网络算法,可以有效的对短文本进行多标签分类。