随着信息技术的普及和发展,互联网上的网页数量呈指数级增长。人们要想在短时间内准确的得到自己想要的信息,就要预先对互联网信息就行分类整理。由于网页中的信息大部分是文本信息,所以文本分类技术逐渐成为信息领域的一个十分重要的研究课题。文本分类技术就是将一些杂乱无章的文本,根据其内容自动地将其分到预先定义的一个或者几个类别的过程。文本分类算法中得到最广泛应用的是KNN (K-Nearest Neighbor)算法和SVM (Support Vector Machine)算法。虽然之前有一些学者对其进行了改进,使得分类的效率有所提高,但是由于算法本身的原因,二者分类的计算复杂度仍然很高。随着CUDA架构的出现和发展,基于图形处理器(GPU)的高性能通用计算技术日益成熟。为了弥补KNN与SVM文本分类算法高计算量的缺点,本文开展了在GPU上实现的文本分类算法的研究。具体工作如下：首先,将KNN算法在CPU上进行了实现；然后,基于GPU上对KNN算法的文本相似度的计算和排序进行了改进；最后,通过了解LIBSVM工具的分类原理,对SVM算法的文本训练算法SMO (Sequential Minimal Optimization)使用GPU并行计算加速。通过实验证明,本文中的算法可以使得KNN与SVM文本分类算法在保证分类质量的基础上提高了分类效率。