随着人工智能和大数据技术的快速发展,网络信息呈爆炸式增长的趋势,在用户可以方便地获取到信息的同时,这些信息的价值性也得不到保证。文本分类任务则为获取有价值的信息提供了基础,如何实现高效的文本分类是一项极具意义的工作。现有的文本分类方法通常使用基于深度学习的方法,但其中仍存在一些问题,不考虑标签信息从而忽略了标签和文本之间的关系,引入过多标签信息也会带给模型过多的噪声。另外地,目前有效的分类放大多需要大量标签数据的支撑,在只有少量样本数据的场景下,会导致分类效果较低。针对上述问题,本文进行了以下工作:针对标签信息对文本的影响问题,本文提出了一种标签感知多头注意力网络模型（LMAN）。LMAN模型通过引入标签注意力和门控机制为文本融入标签信息。具体来说,在文本表示方面,使用Bi-LSTM和多头注意力机制去获取文本的局部特征。然后采用注意力机制去计算标签与文本的相关性,得到每一个标签的基于特定标签的文本表示。同时,考虑到无关的标签会在模型训练时带来噪音,引入关系门控机制对原文本表示和融合标签信息的文本表示进行过滤,得到最终合适的文本表示。最后根据最终的文本表示进行分类。在AAPD和Kan Shan两个数据集上的实验证明LMAN模型可以很好地应用于多标签文本分类任务中,并且分类精确率要优于大多基线模型。针对只有少量样本数据会导致分类效果较低的问题,本文提出了一种融合胶囊网络的小样本文本分类模型（AFCN）。与传统的的文本表示方法不同,AFCN模型采用细粒度的表示方法,使用词嵌入、词性嵌入和字符嵌入来进行文本表示。之后在原有的Bi-GRU网络上引入了双层注意力力,以获取文本中丰富的特征信息。最后利用胶囊网络中的动态路由算法去学习文本到类的映射关系,获得输出胶囊,完成文本分类。在ARSC数据集上的实验证明AFCN模型可以有效地解决小样本分类的问题,相比于其他基线模型,AFCN模型的效果都获得了提升。