随着互联网的迅猛发展,日常生活中每天都会产生大量的以电子文件形式存在的数据,人们如何从海量数据之中获取想要的信息是当前研究的热点和难点,文本分类是其中的一个重要研究方向。首先,本文对文本分类技术的研究现状进行了介绍,并简要说明了本文主要研究的内容以及本文的创新点。随后对文本分类过程进行了详细的阐述,着重介绍了特征选择算法和文本分类算法,对其优缺点进行了分析、总结,并以此为基础提出了基于依存关系、语义词典和词性的特征选择改进方法和基于类中心向量改进的文本分类方法。针对基于统计学的特征选择算法的语义缺陷,本文引入依存关系、语义词典、词性对文本特征进行相关实验、分析,对得出的语义信息进行量化处理,并提出了改进的权重计算公式,对特征权重进行了一定程度的调整,实现了文本负作用特征的两次过滤,最终选择出最能表征文本、反映类别的特征向量,以达到提高分类效率、改善分类性能的目的。其中,在本文引入依存关系的过程当中,采用Stanford parser对原始语料集的所有文本的所有句子进行依存关系分析,并依据其分析结果对文本特征划分等级,形成依存等级表,结合语义词典提出改进的权重计算公式,对负作用特征进行一次过滤;其次,在本文对特征词性进行观察、统计实验时,我们发现文本中的实词对文本而言最具表征意义,并提出了词性等级表对特征词性进行了详细的划分,依据词性等级表,本文提出了进一步改进的权重计算公式,对文本特征实施第二次权重计算,根据权重值大小,对文本负作用特征进行二次过滤。实验证明,本文方法能大幅度过滤掉噪音特征,优化了文本特征向量,并有效的改善了分类器性能。在本文对朴素贝叶斯、最邻近法和类中心向量法进行对比实验之后,得出类中心向量法高效率、低精度的结论。由于效率高的特性更有利于构建自动文本分类体系,因此本文在对类中心向量法进行相关分析之后,针对其缺陷,提出了基于类中心向量法改进的文本分类方法,以实现分类的高效率、高精度,具体改进有以下几点:（1）在确定类中心向量和待分类文本特征向量时,采用的是本文提出的特征选择改进方法;（2）在量化类中心向量和待分类文本特征向量之间的相似度时,本文提出了新公式,有效的简化了相似度计算过程;（3）在相似度计算过程中的特征比对环节,本文引入Word Net的上下位关系和《同义词词林（扩展版）》的类相关词组分别对中、英文语料集进行特征聚类,以避免特征流失,并提高分类精度。随后,本文在不同数据集、不同分类算法上分别进行了大量的对比实验来验证本文基于类中心向量法改进的文本分类方法的有效性。在与类中心向量法的对比实验中,本文方法在复旦语料集、搜狗中文语料集、20Newsgroups语料集上的实验效果F1值比类中心向量法分别提高了5.97%、10.61%、12.48%;本文方法与基于贝叶斯的算法在复旦语料集、搜狗中文语料集上分别进行了对比实验,实验效果F1值分别提高了6.84%、11.37%;本文方法与基于KNN的算法、基于SVM的算法在复旦语料集、搜狗中文语料集、20Newsgroups语料集上实验效果F1值分别提高了1.84%、5.17%、12.44%,2.88%、11.54%、5.89%。最后,本文对比实验充分证明了本文方法在保证分类效率的同时,有效的提升了分类精度,改善了分类器性能。