随着大数据时代的到来和网络社交平台的广泛应用,网络平台上各种数据类型的文本信息数据数量呈指数级增长。为了及时获取有价值的文本信息,就需要根据文本内容对这些文本进行分类、归档,文本分类作为信息挖掘和检索、自然语言处理技术的重要基础,利用计算机进行文本的智能化分类工作,属于该领域研究中的一个热点所在,同时为其中的难点,吸引了诸多学者人员纷纷参与进来,进行深入研究。在以往的文本分类发展中,用于训练和测试分类模型的两部分数据必须严格遵守以下两个要求:(1)测试样本和训练样本必须服从独立同分布(2)必须要有足够量的训练样本,但是随着数据采集技术日新月异的发展和网络文本的快速更替,以上这两个假设往往并不完全成立。基于迁移学习的文本分类方法通过分类知识在相关领域间的迁移,打破了以上两个基本假设带来的限制,从而能够更好解决实际应用中的文本分类问题。在文本分类方面:对文本分类中的预处理流程进行了重点分析,为了克服对于数据集合中文本长短不一,尤其是短文本如分类信号少、数据噪声多数据冗余等问题,本文提出一种基于改进后的TF-IDF融合余弦相似度的短文本内容扩充算法(STCE)来增强短文本关键词集的类别属性,该方法有效提高了朴素贝叶斯文本分类器的分类性能,分类准确率平均提高了11.4%;提出一种基于LDA主题模型的短文本特征扩展方案,将该方法应用于朴素贝叶斯文本分类器,分类准确率平均提高了12.8%。在迁移学习方面:为了从而加强了两域特征联系,加深了对文本数据的挖掘,通过分析文本数据中语义相近或相似的词汇对表达文本信息的重要意义,提出一种基于语义相似性的公共特征空间构造方法(CFSC),将两域中语义相似性较高的特征词汇与两域共同词汇结合,构造为两域的共同特征,从而提高了分类器的分类准确率,分类准确率平均提高了7%。在基于迁移学习的文本分类方面:对本文提出的STCE算法和CFSC充分结合,结合后的算法,充分利用了本文提出的前两种算法的优势,STCE算法对长短文本进行特征对齐,CFSC加强迁移学习中目标领域和源领域的特征联系,从而使基于迁移学习的文本分类性能得到了进一步提升,分类准确率平均提高了13.7%。本文通过短文本内容扩充和特征扩展,优化文本分类过程中的预处理流程,降低了由短文本特性对分类性能的影响;通过构建目标领域和源领域的公共特征空间增强两域之间的特征联系,对基于迁移学习的文本分类性能有了明显改进。