多标签文本分类是自然语言处理中重要且具有挑战性的任务之一。现有的方法注重文本表示学习，关注文本内部信息预测所属标签，忽略了属于某一标签的全体实例中共享的关键信息。鉴于此，本文提出一种基于标签概念的多标签文本分类方法：利用词频和潜在狄利克雷分布(latent Dirichlet allocation,LDA)方法从训练集全体实例中抽取各标签所对应的关键词，接着采取与文本编码相同方式对关键词编码，获得标签概念表示。在训练和预测过程中，检索与文本表示最相似的标签概念辅助分类，增加标签概念表示与文本表示的对比损失，使文本编码过程中能充分学习全局的标签概念信息。将本文方法嵌套在常用的多标签文本分类模型上进行实验，结果表明该方法有效提高了相应模型的性能。