随着跨境贸易的快速发展,商品的协调制度（Harmonization System,HS）编码分类作为企业进出口贸易的重要海关程序,其准确性和高效性越来越受到相关部门的重视。如果能够自动、准确、高效地进行商品HS编码分类,将有助于海关部门通关查验、关税计算等工作的顺利进行,同时也可以帮助企业提高通关效率,降低通关成本。商品HS编码分类任务可以看作是一个文本分类任务,即给定商品的一段描述信息,目标是确定商品所属的由HS编码表示的类别。然而与一般的文本分类任务相比,商品HS编码分类任务更具有挑战性。首先,商品描述文本具有特定的组织结构。其次,商品描述文本包含多个独立的语义片段而不是一个统一的、连续的语义主题。此外,分类标签（即HS编码）之间具有隐藏的层次关系。本文着眼于商品HS编码分类任务面临的挑战,对商品HS编码分类方法开展研究。首先,针对商品描述文本的结构特点和现有文本分类方法特征捕获不全面的问题,本文提出了一种融合文本序列和空间信息的HS编码分类模型（TSSINN）。其中,针对商品描述文本在两个层次呈现出序列性的特点,设计了一种序列信息建模方法捕获文本中多层次的序列信息。此外,设计了一种基于文本图的空间信息建模方法,利用整个语料的词共现信息构建全语料文本图,并为每个商品抽取一个对应的商品文本图。利用图神经网络建模图中词节点间的空间关系,捕获文本中的空间信息。最后通过融合文本序列特征和空间特征来实现最终的分类。其次,本文在TSSINN模型的基础上,进一步挖掘商品描述文本的全局空间信息和标签空间的层次相关性约束,提出了结合标签层次结构的HS编码分类模型（HScode Net）。针对TSSINN模型对文本中远距离依赖考虑不足的问题,本文设计了一种全局空间信息建模方法来学习文本中远距离的空间关系,捕获文本的全局空间信息。此外,针对TSSINN模型尚未考虑标签空间隐藏的层次相关性约束的问题,设计了一种标签相关性损失函数,通过计算任意标签与样本之间的相关性得到样本的真实标签分布,并通过拟合标签分布的方法优化整个模型。最后,本文在四个真实的海关数据集上开展了大量的实验。实验表明,TSSINN模型的分类性能明显优于基线模型,而进一步优化后的HScode Net模型在TSSINN模型已经取得较优分类效果的基础上又获得了明显的性能提升。总体而言,本文提出的HS编码分类方法能够有效地结合商品描述文本的结构特点和标签空间的层次结构,捕获文本中的序列信息和空间信息,最终实现对商品HS编码的准确分类。