随着计算机技术的飞速发展,人们已经进入网络大数据时代,随之而来的是电子文本信息数量的大幅增加。对这些文本数据进行正确的分类,能够方便用户迅速、高效和准确的从大量文本数据中提取到有价值的信息。本文以中文新闻短文本分类研究为例,完成对中文短文本分类的研究工作。短文本相比较于长文本,前者的词汇数量较少,特征较为稀疏,因此无法按照常规的文本分类方法对其进行分类。为了增加短文本的有效特征数量,提高文本分类的准确度,本文提出一种基于隐含狄利克雷分布（Latent Dirichlet Allocation,LDA）模型和Text Rank算法的短文本特征扩展方法。本文的主要工作和研究成果包括:（1）对朴素贝叶斯算法、支持向量机算法（Support Vector Model,SVM）、K最邻近算法（K-Nearest Neighbor,KNN）、决策树算法以及逻辑回归算法进行了研究,详细分析了各个算法的优点和缺点。同时使用文本分类技术对中文文本进行了数据清洗、分词和特征处理等数据预处理工作。使用上述五种机器学习算法分别进行了中文新闻短文本分类实验,并将分类结果进行了对比分析。（2）针对中文短文本词汇较少,特征较为稀疏的问题,提出一种基于LDA模型和Text Rank算法的短文本特征扩展方法。首先利用LDA模型得到每个文本的隐藏主题特征,再利用Text Rank算法获取文本的关键词,最后将与文本隐藏主题特征相对应的关键词当作特征扩展词扩充到短文本中,以增加短文本中特征的数量,为后续的文本分类增加更多有效信息。（3）以中文新闻短文本分类为例进行中文短文本分类的相关研究,从特征词的提取与扩展等方面对文本分类方法进行了改进。使用朴素贝叶斯算法、SVM算法、KNN算法、决策树算法以及逻辑回归算法对本文所提出的改进方法进行了验证实验。同时为进一步验证该方法的有效性,本文又使用Word2Vec模型在THUCNews数据集上进行了验证实验。实验结果表明本文所提出的改进方法能够提高文本分类的准确率,有效提升了文本分类的效果。通过特征扩展方法对短文本进行特征扩展,能够增加文本的特征数量,有效缓解短文本特征稀疏的问题,对实现短文本的正确分类有着重要的研究意义。