随着信息技术的快速发展,互联网中的文本信息呈爆炸式增长,导致了信息过载的现象,对大量的文本信息进行高效且准确地分类能够很好地解决该问题。在现实生活场景中,文本信息往往具有多个标签,单标签文本分类已经难以对文本信息进行准确地定位,多标签文本分类逐渐成为自然语言处理中基础且重要的研究方向。因此,本文对多标签文本分类的特征提取和文本表示技术展开研究,构建了基于混合神经网络的多标签文本分类模型。本文的主要研究工作包括以下几个方面:（1）神经网络模型能够实现自动提取特征,但单个神经网络模型在特征提取过程中存在特征提取不够全面的问题,因此提出了一种融合Bi GRU和Capsule模型的混合神经网络模型。Bi GRU模型利用当前词的上下文信息提取输入文本的全局特征表示;注意力机制通过对不同特征分配其相应的权重来筛选出对分类任务更为关键的文本特征;Capsule模型通过动态路由机制提取出文本的局部特征表示。最终通过实验表明,构建的混合神经网络模型ATT-Bi GRU-Capsule得到了更全面的文本特征且其性能指标都优于实验中设置的其他对比模型。（2）在模型训练过程中,传统的文本表示方法存在学习不充分以及向量表征过于单一化的问题,而具有动态词向量的预训练模型可以让整个模型从一个更好的初始状态进行学习,且很好地处理词语的多义性特征,因此提出了一种基于预训练模型的多标签文本分类方法。首先构建了一个在BERT-base模型的输出结果上添加全连接层来调整输出特征维度的BERT-FC模型,接着在经典多标签英文数据集AAPD上验证了使用BERT-FC模型比其他的模型能够获得更好的性能;然后引入BERT预训练语言模型作为ATT-Bi GRU-Capsule模型的嵌入层,将其输出的动态词向量输入到特征提取层中,并与Word2Vec模型作为嵌入层进行对比,实验表明该模型具有更高的准确率,证明了文本表示在文本特征提取过程的重要性,进一步提高了分类的准确性。