随着信息科技的进步和互联网的日益普及，我们的信息正处在一个急剧增长的时代。如何在浩瀚如海的信息空间里，快速查找并获取所需的信息，已成为新的信息时代里最重要的问题之一。海量文本的快速分类成为数据挖掘中的重要研究方向。而文本分类中的特征降维技术成为快速分类的关键。论文课题的主要研究工作：SVD（奇异值分解）技术在文本分类中应用研究。包括SVD算法的实现与优化；SVD算法K值百分比策略的验证，拟合度概念的提出与应用；KNN与SVD+KNN文本分类算法效果对比。文本分类中的初始特征-文本矩阵往往会有很高的维度，给后续的计算带来了很多不便。而通过简单的特征选择方法，虽然降低了维度，但是不能解决特征词之间的同义词与多义词问题。而特征抽取（比如潜在语义分析）通过对特征语义空间的转换，形成新的语义空间，消除了“噪音”。SVD算法作为潜在语义分析的代表工具，很好地完成了这项工作。在潜在语义分析中，SVD的K值选择策略极大地制约着文本分类的效果，本文选择的K值百分比策略能很好地提高文本分类的精度与速度，提出的拟合度概念能很直接地比较两个矩阵的相似程度。本文通过大量的实验对比，验证了OpenMP对SVD算法的优化效果；验证了K值百分比策略对特征-文本矩阵良好的降维效果和与初始矩阵较高的拟合度；验证了SVD算法能较好地解决同义词和多义词问题，同时提高了文本分类的精度和速度。