随着互联网信息技术的迅猛发展,文本数据出现爆炸式增长。面对繁杂的文本信息,如何有效地管理和分类文本数据,帮助用户快速、准确、全面地找到所需的信息,是一个很有意义的研究课题。文本分类是自然语言处理领域中一个重要而经典的问题,在各个领域都有广泛的应用。在生物医学领域,生物医学文本分类是一项基础性的工作,对生物医学文献分门别类有助于研究人员快速获取目标信息。现有的文本分类方法没有充分利用生物医学文献的层次语义结构,从而影响了生物医学文献的分类效果。本文根据上述内容,进行了如下研究工作:(1)根据生物医学文本中具备的层次结构,本文应用层次注意力机制来建模文档。具体来讲本文运用了三个层次的注意力机制:单词与单词之间、句子与句子之间以及摘要的不同结构之间。通过层次注意力机制,融合全局和局部的上下文信息,得到文档的特征表示。(2)针对文本分类问题中经常存在的类别不平衡问题,本文应用代价敏感学习方法来缓解此类问题对分类性能的不良影响,并提出自适应的方法,通过迭代的方式自动地学习最佳的类代价参数。该方法从一定程度上提高了分类模型的性能。(3)为进一步改进分类模型的性能,本文应用基于语法解析树的图神经网络捕获文本中的语法约束,从而获得更好的文本表示,进而提高生物医学文本分类任务的效果。通过实验验证,本文所提出的文本分类模型取得的效果在一定程度上优于其他已有模型的结果。另外,本文提出的自适应类代价学习方法,可以用于解决其他任务/问题中的类别不平衡问题。