近几年来,大规模的文本分类问题是一个十分热门的话题,特别是在针对网络数据的网页分类问题以及层次分类问题。并且,在基于维基百科等大量网络数据的处理中,大规模的样本类数加上多类样本问题使得传统的分类器在此之上难以进行处理,更难以得到较好的结果。本文中,我们提出非常有效的类中心化方法的统计学习方法来解决数据类别非常多的情况。这不仅可以降低训练时间,而且可以在每个类的训练样本较少并且.特征较多的情况下得到较好的训练结果。并且我们使用特征组合等方式来进行统计学习,使得本文方法有了进一步的改善。我们的系统在第一届LSHTC评测数据集上进行实验,证明了我们方法的有效性。在类标签规模很大的情况下,采用一般地线性搜索最优预测的方式会显得效率不佳。基于这点的考虑下,为了提高推理(测试)速度,将文本的层次信息加入最终推理预测中,使得测试速度也有了快速的提高。我们的系统在不使用层次信息时与其他部分参加LSHTC评测单位的系统时间空间消耗比较中已经有了明显优势,而在使用了层次结果后推理速度的再次提升5-6倍。在多类标签问题上,使用单标签分类问题的方法加上类标签扩展以及样本加权优化等方法将这原方法直接应用到多类标签问题上。在使用独特的排序算法后,我们的系统在第二届LSHTC数据集上进行实验,也得到了不错的结果。