在常见的分类任务中,一条样本通常属于类别标签之间没有关系的标签集合中的一个标签,而在更加复杂的分类任务中,一条样本可以属于多个标签,通常称为多标签分类。此外,还有一种情况是标签集合中的类别标签以分层的方式进行组织,并且必须将一条样本关联到这个层次结构中的单一路径,即所谓的分层分类。最后,在更复杂的场景中,类别标签同样被组织成一个层次结构,并且一条样本可以关联到这个层次结构的多条路径,即层次多标签分类问题,本文提出两种分类算法去解决这个问题。一种是基于路径选择的层次多标签分类算法,该算法为每一个父节点训练一个多类分类器。在分类阶段,当某条标签路径的概率较低时就将该节点所包含的子树剪去,以达到预测路径未到达叶子节点就终止的情况。该方法考虑层次结构中从根节点开始的所有可能路径,通过结合路径上的节点在层次结构中的层次和局部分类器的预测值来计算各条路径的得分,最后通过选择路径得分超过给定阈值的一条或者多条路径上的标签节点作为最后预测结果。另外一种是基于神经网络的层次多标签分类算法,该算法为层次标签树的每一层都单独训练一个神经网络模型,并将这些神经网络模型链接成神经网络链做为最终预测模型。同时,拼接各层神经网络的输出作为最终输出。最后,再分别通过单阈值选择和多阈值选择来预测最后的标签集。本文将层次多标签分类算法应用于大规模网络智能运维工作票分类任务,并开发基于BS架构的层次多标签分类系统。实际的运行结果表明:本系统可以很好地实现层次多标签分类,并对多标签分类树和多标签分类结果进行有效可视化。