文本分类是自然语言处理中一个经典的任务,旨在为给定的文本打上特定的标签,依据标签的数量可将此任务分为单标签文本分类任务和多标签文本分类任务（允许一篇文档同时存在多个标签）。现阶段,文本分类已经有了广泛的应用包括问答、垃圾邮件检测、情感识别、新闻分类等等。为了使文本分类获得更好的效果,一个好的文本表示便尤为重要。针对当前文档,一个好的表示应该同时涵盖整篇文档的全局上下文信息以及局部判别性特征,因为前者可以从粗粒度的角度计算整体与标签的匹配程度,而后者提供特定的细粒度线索使得分类更加精细。二者综合才能进一步提升模型的表现。然而现有的文本分类方法往往只关注全局或者局部特征的挖掘,很大程度忽略了二者之间的互补效应。此外,在多标签分类任务中,标签之间相关性信息的充分挖掘与利用也是至关重要的。因此,本文针对文本分类任务,通过探索标签监督信息的利用方式,提出了两种方法来更好地表示文本和标签,从而提升下游分类任务的精度。主要工作和贡献如下:提出了对标签敏感的混合注意力模型（LAHA）。针对多标签文本分类任务,该模型同时利用文档内容信息和标签相关性信息来更好地探索二者之间的语义相关性。LAHA主要包含三个部分,第一部分通过多标签自注意力机制来计算文档中每个单词对每个标签的重要程度。第二部分同时结合标签共现信息和文档内容以在同一隐空间中建立二者的联系。第三部分通过自适应结合策略将前两部分融合来获得最终的对标签敏感的文档表示。我们使用LAHA在6个基准数据集上进行了大量的实验,并与最先进的方法进行了比较。实验结果表明,本文所提出的方法具有明显的优势。提出了对标签敏感的综合表示学习模型（La CRL）。对于给定的文档,全局上下文信息和局部细粒度特征对于最终的分类都十分重要,而先前方法大多针对一篇文档提取一个特定的表示,这样很难充分保留二者的信息。La CRL旨在同时捕获文本的全局上下文信息和局部细粒度特征,并通过联合优化策略使二者保留并互补,以此来更好地表示文本。实验结果显示,该方法在文本分类的几个基准数据集上都超过了先前的方法。