伴随 INTERNET 网的普及，人们进入了一个信息爆炸的时代，如何从这些海量信息里快速、准确得到自己需要的信息，成了一个迫切需要解决的问题。文本分类是解决该问题的一个关键所在。本文的主要目标，就是结合软计算方法改进现有的文本分类方法。 文章共分五个部分。在绪论中介绍了文本分类问题的研究背景及意义、介绍了现有的文本分类系统的特点、国内外在文本分类问题上的研究现状和不足之处、文本分类系统的应用价值、并创新性的提出用软计算方法对文本分类问题进行优化研究。第二章主要介绍了文本分类的概念、目前常用的文本分类方法：比如简单向量距离算法、朴素贝叶斯、神经网络算法，K近邻(k Nearest Neighbors，简称：KNN)和支持向量机(Support Vector Machine，简称SVM)等进行了介绍和分析，为后续章节的研究提供了理论和实验基础。第三章对软计算方法进行介绍、深入探讨了针对文本分类系统具有复杂性、非线性、不确定性的特征、结合人工神经网络自学习自适应处理能力、模糊系统的专家处理、遗传算法的优化计算等特点。第四章是基于软计算方法改进的文本分类算法设计，算法思路为：用传统文本分类方法提取特征项，用神经网络根据特征项形成规则，再用遗传算法对规则进行筛减，得到基于软计算的文本分类系统。第五章是本文实证部分，结合具体数据验证该方法，证实其良好的分类性能，并对本文研究的不足以及有待进一步研究的问题进行说明。 本文在研究传统分类算法和遗传算法、人工神经网络的基础上，提出一种文本分类的改进算法，称为FNN-GA-KNN/SVM算法，并用MATLAB语言实现核心算法，C++语言实现成文本分类系统。该系统经实例分类讨论后，证明较原算法而言，有更高的分类准确率，且正确率都达到了85％以上，有较强的使用价值。