文本分类可以为文本提供有序的组织，网络信息的增长使文本分类对于信息处理的意义变得更加重要。随着海量信息的出现，分类时不仅要考虑准确性，还要考虑分类的效率，优化分类性能，提高分类速度，其中有两大关键问题需要研究，一是文本的预处理，二是文本的分类算法。本文以基于词性的特征提取和隐藏简单贝叶斯方法为重点，对文本分类模型设计的相关工作进行了探讨，具有很大的理论研究和实际应用价值。 首先较为详细的介绍了文本分类的应用领域、分类的具体流程以及分类过程中所用到的关键技术，主要包括文本预处理、特征降维和常用的分类算法，重点介绍了网页文件的抓取以及网页内容信息的提取。 接着在此基础上，提出了一种基于词性的特征提取方法，具体做法是对文本内容分词时标注词性，分别统计其中出现的各种词性的词组，根据其在语料中出现的概率为每种词设定一个因子，文章中对Chi—square方法进行改进得到一种新的特征提取法NC，通过验证得出经过NC提取特征后并进行分类的效果优于传统的Chi-square方法。 在分类器的构造中，本文引入了隐藏简单贝叶斯方法HNB，主要思想是为每一个特征词创建对应的隐藏父结点，这个父结点包含来自所有属性的信息，在使用贝叶斯理论分类时，加入隐藏父结点的信息，通过与NB及其它传统的分类算法比较得出，HNB分类法在准确率、召回率、F测量的总体性能上优于其它方法。 最后，对全文进行总结，并提出可能继续研究的方向。