近年来,深度学习技术在金融市场中的应用如金融市场预测、信用评估以及金融情感分析等方面的表现相比于传统机器学习模型展现出了明显优势。随着计算机应用程序在用户中的普及以及计算机存储限制的突破,许多金融机构和相关部门存储了大量的结构化与非结构化数据以供将来使用。如何利用这些数据为个人或机构提供有用的信息进行行为决策和预测是现代金融中不可忽视的问题。本文研究了金融领域中一个关键又现实的操作风险分类问题,利用相关的金融新闻和金融风险专家发布的风险报告搭建智能分类系统来识别预先定义的风险,以辅助专业人员进行决策。然而金融领域中的文本数据很多但标记数据较少,这往往需要相关专家进行标记,这个过程耗时耗力导致标记数据稀缺;其次文本分类的可解释性也是一个亟需解决的问题;最后,传统的一些方法在处理多标签文本分类问题上,往往没有考虑标签之间的相关性,这也严重影响了模型的效率。针对以上问题本文设计了半监督向量量化变分自编码器模型（Semi VQ-VAE）与半监督多标签关系网络模型（Semi-MRN）进行金融风险分类。针对不平衡的标记/未标记数据和多标签文本分类缺乏可解释性的问题,设计了基于向量量化变分自编码器的半监督模型。它可以对标记数据与未标记数据进行建模学习潜在表征。此外,引入了向量量化操作有助于文本数据生成。进一步来说,向量量化操作将模型和潜在编码对应的模型容量进行了分配,允许模型在相同的潜在空间下对相关的样本进行分组。相比于在连续空间的自编码器,这种类似于经典的聚类算法的算法,更加简单有效;与Semi-VAE等半监督算法相比,文本设计的Semi VQ-VAE在汉明损失和Micro-F1指标中具有更好结果。随后,考虑到当前基于深度学习的多标签文本分类方法受限于在数据稀缺时实现快速学习和泛化的能力。设计了一个半监督的少样本学习方法来解决以上问题。它考虑到标签之间的关联性,使用自注意力机制的加权方案的少样本学习框架来构建问题,改进了风险组合的均值向量。该框架可以有效利用未标记的文本样本来调整均值向量的位置,从而更好地表示该风险类。在真实的操作风险分类数据集中对所提出的Semi-MRN方法进行了评估,结果表明它在识别新的风险类型组合任务时比基线模型表现出更好性能。