随着互联网的不断发展,网络上的信息越来越多。面对海量信息,人们往往很难选择。通过文本分类技术,人们能够有效地组织和管理文本信息,提高学习和工作效率。文本分类中一个重要的步骤就是特征降维。有效的特征降维,不仅可以提升分类算法的运行效率,还能提高分类的准确率。常见的特征降维方法,主要运用了统计的思想。这类方法筛选的特征项存在一定的噪声,而且特征维数较高,没有考虑特征词之间的语义关系。本文是从语义角度去研究特征降维,利用依存关系对句子进行句法分析,选出每个句子的重点词作为特征项,来实现特征降维。这种方法选出的特征词能更好的表示文本。本文首先对文本分类的国内外研究现状进行了介绍,分析了现有特征降维方法的缺点。随后对文本分类的基本概念和知识进行了归纳,阐述了文本分类的特点和应用；分析了文本分类的过程,包括文本预处理、权重计算、文本表示和分类算法。本文对特征降维进行了详细的研究,包括特征选择和特征抽取,并对常用的特征降维方法进行了分析。随后对特征项进行研究,着重对词共现进行分析,并对依存关系进行了研究,分析了依存关系词对的特点。依存关系词对作为特征项含有更多的语义信息,且特征项之间的独立性更强,能更好的表示文本,并在此基础上提出了基于依存关系的特征降维方法。为了验证其效果,将其同文档频率法,互信息法和信息增益法进行文本分类实验对比。实验证明,该方法具有一定可行性,但是还存在一些缺陷。接着对抽取的依存关系词对进行研究,将依存关系词对同传统方法的特征词进行对比。从词性和语义的角度进行分析,针对基于依存关系的降维方法存在的缺陷进行改进,提出了改进的基于依存关系的特征降维方法。改进后的方法既体现了特征项的语义信息,同时减小了特征稀疏性对文本分类影响。实验证明,改进方法的分类性能比改进前的效果好。