物流企业依据包裹上的地址信息将其准确分拣到相应的投递区域。长期以来,企业往往通过人工分拣来完成这一环节的工作,但人工的大量介入却带来了包裹投递成本高,投递效率低等问题。近年来随着人们对智慧物流的建设需求愈发强烈,自动化地址分类成为大势所趋。本文主要基于传统机器学习及深度学习算法对地址分类问题进行探索,构建了性能优良的分类模型,为自动化分拣提供了新的思路。具体研究内容如下:1)本文利用传统机器学习方法构建了基于集成学习的地址分类模型。通过对地址数据集语法结构特点的观察,制定了相应的文本清洗方法,并提出基于正则表达式和分词的地址切分方法,以此在不借助人工构建地址要素词典的情况下完成地址切分和词袋特征构建。之后基于信息熵进行词袋特征的筛选,并利用主成分分析算法完成特征降维。在最终得到的词袋特征上训练随机森林基分类器。结合TFIDF权重和word2vec方法得到地址文本的语义向量,并构建Softmax基分类器。最后利用Stacking方法训练二级分类器,并得到分类结果。通过与其他传统机器学习方法进行比较,该模型表现出较好的分类效果。2)本文利用深度学习方法建立地址分类模型。针对模型无法有效对含错别字样本进行建模的问题,提出一种基于自注意力机制的多通道地址文本分类模型(MCC),以增强模型对含错别字样本的分类能力。模型基于对Transformer的改进,引入了多种编码方式挖掘文本隐含的语义信息,使模型在遇到含错别字词语时可以借助其他通道进行文本信息的表示。实验表明本文提出的深度学习模型对地址数据能够取得较好的识别效果,精确率,召回率,F1值分别达到了0.9227,0.9264,0.9242。同时模型能在处理含错别字的地址样本时表现出更强的鲁棒性。3)为了加速自动化地址分类方法在实际生产环境中的应用,本文基于Python的Flask框架开发了地址分类服务,服务集成了模型训练、模型评估、模型应用等模块,并提供了对地址进行分类预测的功能,同时用户可以上传自己的数据集并在其上训练模型。