数据挖掘意味着在一些事实或观察数据的集合中寻找隐藏模式的决策支持过程。数据挖掘也被称为知识发现。文本数据库分类是数据挖掘中的一个重要内容。电子病历也是一类文本数据集。对这些数据集进行数据挖掘及分类是非常有必要的。本研究中,我们研究了一种新的基于短语的特征提取算法。并把这种算法应用到中文真实病历的分类中,取得较好的分类效果。具体处理过程是,首先采集了医院内科真实中文病历200份。然后进行数据清洗过程,因为数据是来源于医院的真实数据,所以存在着不完整的、含有噪声的和不一致的数据。之后对数据进行量化工作,特征提取,在我们的实验中采用的是一种新的特征提取方法即基于短语的特征提取方法;我们将这200份含有4种病种的病历进行3种组合,然后通过算法将他们分别进行分类。其中所用到的短语匹配算法可以归纳为如下的步骤:1)获得数据库中每对文档的匹配短语集合。2)创建一个包括步骤1所有集合的集合。去除这个集合中的匹配短语。3)把每个文档表示为一个向量,并归一化。4)用SOM创建一个对应于这个向量集合的分类器。5)可视化分类结果,找出和每一类相关的特征短语。通过实验得到了较好的效果。数据挖掘技术能自动从病历数据集中提取出主要的特征,对病历进行分类能很好地帮助医务工作人员诊断疾病,并且总结出不同病种间有哪些以前从未发现的不同的表现特征。尽管在我们的实验中所用到的数据集是医院的病历,但是这里提出的分类方法如果应用到其它类型的文本数据集也是适用的。