随着因特网的迅猛发展,电子邮件成为了现代通信的主要手段。但是同时许多垃圾邮件也在网络中蔓延,给广大用户带来了大量的麻烦。因此能够有效地防治垃圾邮件是一个有重要意义的现实问题。本文首先深入研究了国内外大量反垃圾邮件文献和数据,对已有的垃圾邮件过滤技术做出分析和总结。垃圾邮件过滤技术是反垃圾邮件的重要手段,目前主要有基于安全认证的垃圾邮件过滤技术、基于规则的垃圾邮件过滤技术和基于统计学习的垃圾邮件过滤技术,后两者都是基于内容的垃圾邮件过滤技术。本文研究了基于内容的垃圾邮件过滤算法,主要对贝叶斯算法及其分类模型进行了深入的研究,通过实验方法对PG贝叶斯算法、GR贝叶斯算法和朴素贝叶斯算法进行了详细的分析和对比测试,重点讨论了朴素贝叶斯算法在垃圾邮件过滤中的优点和不足,并针对其不足,通过选择基于卡方分布的特征选取算法进行改进,以进一步提高中文分词的准确性和效率;通过最小风险因子的引入,降低对垃圾邮件的误判风险以减少用户的干预频度,提高识别效率;通过认知学习算法的提出,提高模型的自学习能力,同时极大地降低了高维向量空间垃圾邮件的识别难度,使模型达到了更好的精确率和召回率。本文在基于最小风险的朴素贝叶斯算法的基础上,进一步引入认知学习的理论,从技术上对高维空间向量的垃圾邮件过滤提供了很好的解决方案,实验结果证明,此方法可进一步提高垃圾邮件的识别率,特别是较好的解决了高维特征向量空间的垃圾邮件过滤问题,从而为基于人工智能的垃圾邮件过滤技术的研究打下了基础。