在TFLearn中處理文本分類任務通常需要進行以下步驟：

1. 數據預處理：將文本數據轉換成可以被神經網絡處理的格式。這通常包括將文本轉換成詞向量或者詞嵌入。

2. 構建神經網絡模型：使用TFLearn構建一個適合文本分類任務的神經網絡模型，例如使用全連接層、卷積層和循環神經網絡等。

3. 定義損失函數和優化器：選擇合適的損失函數和優化器來訓練模型，通常對于文本分類任務可以選擇交叉熵損失函數和Adam優化器。

4. 訓練模型：將預處理好的數據輸入到神經網絡模型中，使用訓練數據來訓練模型。

5. 評估模型：使用測試數據來評估模型的性能，通常可以使用準確率、精確率、召回率等指標來評估模型的性能。

下面是一個簡單的示例代碼，演示如何使用TFLearn處理文本分類任務：

import tflearn
from tflearn.data_utils import to_categorical, pad_sequences
from tflearn.datasets import imdb

# 加載IMDB電影評論數據集
train, test, _ = imdb.load_data(path='imdb.pkl', n_words=10000, valid_portion=0.1)

# 將數據轉換成詞袋模型
trainX, trainY = train
testX, testY = test
trainY = to_categorical(trainY, nb_classes=2)
testY = to_categorical(testY, nb_classes=2)

# 對文本數據進行填充
trainX = pad_sequences(trainX, maxlen=100, value=0.)
testX = pad_sequences(testX, maxlen=100, value=0.)

# 構建神經網絡模型
net = tflearn.input_data([None, 100])
net = tflearn.embedding(net, input_dim=10000, output_dim=128)
net = tflearn.lstm(net, 128, dropout=0.8)
net = tflearn.fully_connected(net, 2, activation='softmax')
net = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')

# 訓練模型
model = tflearn.DNN(net, tensorboard_verbose=0)
model.fit(trainX, trainY, validation_set=(testX, testY), show_metric=True, batch_size=32, n_epoch=10)

# 評估模型
score = model.evaluate(testX, testY)
print('Test accuracy:', score[0])

在這個示例中，我們使用IMDB電影評論數據集進行文本分類任務，通過對文本數據進行預處理、構建神經網絡模型、訓練模型和評估模型，最終得到了一個用于文本分類任務的神經網絡模型。