文本分类是基于文本内容将待定文本划分到一个或多个预先定义的类中的方法。文本分类能较好地解决大量文档信息归类的问题并可以应用到很多情况。文本分类按样本所属类别的个数分为单标签分类和多标签分类两种。单标签分类技术只是给当前文本赋予一个预定义的类别(单类别标注);反之,多标签分类技术可能给当前文本赋予多个预定义类别(多类别标注)。多标签分类的一般方法是采用分类排名或阈值方法为每个类学习独立的分类器。由于这些方法没有利用标签之间的依赖关系,所以它们只适合类别独立的情况。然而,在许多领域中标签是高度相互依存的。现在,对于文本分类来说,多标签分类的需求越来越多。本文主要探索多标签条件随机域(CRF)分类模型中的集合多标签分类(CML)模型和集合多标签特征分类(CMLF)模型。与传统的分类器不一样,两种模型学习与特征标签对相关的参数,它们能够参数化标签的共现事件,并以此为基础进行多标签文本分类。CML学习类、类之间的参数,CMLF学习特征、类、类三者之间的参数——捕捉一个个别的特征作用在一对共现标签上的概率的影响。在研究集合多标签的基础上,本文运用支持向量机(SVM)分类方法对文本进行分类能够明显提高分类效率,准确率较高。