水下视频因视觉特征退化，增加多模态语义理解难度。针对现有视频分类方法依赖高质量视觉条件、多视图融合受空间不对齐与语义偏移限制、多模态融合缺乏对特征质量差异的显式建模问题，提出一种基于质量引导融合机制的水下视频多标签分类网络MQGNet(Multi-label Classification Network for Underwater Video Based on a Quality-guided Fusion Mechanism)。该网络通过自适应特征对齐模块AFA(Adaptive Feature Alignment Module)实现原始图像与增强图像之间的特征对齐与互补融合；利用质量引导的多模态交叉注意力QMC(Quality-guided Multimodal Cross-Attention)以文本语义作为高质量语义线索，对低质量视觉特征进行语义引导；引入自监督生成对抗网络模块SGAN(Self-supervised Generative Adversarial Network)实现水下复杂退化场景中的视觉特征修复。实验结果表明，所提方法在自构建的水下视频数据集UVT(Underwater Video-Text Dataset)上平均精度(mAP)值达到0.8760，分类性能优于现有主流方法，并在公开数据集上表现出较好的泛化能力，验证了所提方法在水下视频多标签分类任务中的有效性与鲁棒性。