传统的文本分类方法要求源领域和目标领域的特征空间具有相同的概率分布,且源领域具有足够的标签。然而,在实际应用中,这一条件往往很难满足。为此,利用源领域仅有标签来为目标领域训练一个精确的分类器的跨领域分类方法研究受到了广泛的关注。在跨领域分类中,利用特征表示来进行知识迁移是种有效的方法,其中,相对于基于原始特征空间进行迁移,采用高层概念特征的特征空间更加有效,如主题空间。此类方法采用主题模型来构建高层概念特征空间,并使领域之间的差异在此空间上最少。然而,概率主题模型如PLSA、LDA存在对初始值敏感,主题信息涵盖不全等缺陷。为此,构建多主题空间并学习得到一个更加鲁棒的跨领域分类模型具有重要的研究价值。本文针对跨领域中多主题空间方法进行研究,主要工作如下:(1)针对概率主题模型提取主题空间存在的对初始值敏感,主题信息涵盖不全问题,提出了一种基于多层主题空间再学习的跨领域文本分类算法,通过提取多层的主题空间,利用非负矩阵来对多主题空间学习并得到一个更好的主题空间,最后我们在学习后的主题空间构建独有主题空间之间的映射关系并实现跨领域文本分类。实验验证了方法的可行性和有效性。(2)针对基于单一共享主题空间的映射方式存在的语义表示不完备和偏差性等问题,提出了一种基于多桥映射的跨领域文本分类算法,通过提取多重的共享主题和领域独有主题,并以多重共享主题为桥梁来建立领域独有主题之间的多重映射关系,从而实现跨领域的分类。实验验所提算法在分类上具有优势。