自动文本分类是信息检索领域的基本任务之一。随着互联网上的信息量呈爆炸性增长，人们很难从大量的文本信息中迅速有效地提取出所需信息。为了解决信息迷向的现象，对文本分类的研究显得越来越重要。　　 传统的文本分类方法是基于词袋模型“bag of words”(BOW)，这种方法忽视了文本中词的语义含义。为了解决这种问题，人们提出了隐含语义分析的方法，比如LSA(Latent Semantic Analysis)技术。以及使用外部语义知识的方法，比如通过使用WordNet语义词典的技术。试图通过这些方法达到从语义上理解文本。但是这些方法都未能形成一个统一的利用语义知识的途径。　　 本文提出了一种新的统一利用外部语义知识，来理解文本的语义，并进而对文件进行分类的方法。该方法综合利用了LSA技术，以及外部的语义知识。它能够统一的利用所有的外部语义知识，不需要事前做整理工作。具体步骤是：首先是构建了一个简单的检索模型，能够从外部知识中找到与训练样本最相关的页面。接着对这些相关知识，使用LSA技术找到它们的潜在语义信息。然后将这些潜在语义信息映射到原始文本上。最后对映射后的文本使用SVM进行训练和分类工作。　　 最后分别在三组数据集上进行验证。结果表明该方法能够显著地提高文本分类的准确率。