Gängige Modelle zur Satzklassifizierung, die auf künstlichen neuronalen Netzen (ANN) basieren, klassifizieren Sätze oft isoliert und ohne Berücksichtigung des Kontextes, in dem diese Sätze auftreten. Dies erschwert den traditionellen Ansätzen zur Klassifizierung sequentieller Sätze, bei denen eine strukturierte Vorhersage für eine bessere Gesamtleistung benötigt wird. In dieser Arbeit stellen wir ein hierarchisches sequentielles Labeling-Netzwerk vor, das die kontextuellen Informationen der umliegenden Sätze nutzt, um die Klassifizierung des aktuellen Satzes zu verbessern. Unser Modell erzielt auf zwei Benchmark-Datensätzen für die sequentielle Klassifizierung medizinischer wissenschaftlicher Abstracts 2-3% bessere Ergebnisse als der aktuelle Stand der Technik.