Text mining（TM）,也称为智能文本分析,通常指使用各种先进的机器学习技术探索和分析大量非结构化文本数据的过程,这些技术可以识别数据中潜在的概念,模式,主题,关键字和其他属性。在第一部分工作中,分析了不同时期（跨越几个世纪）的词汇变化,以及判断某一文本所属的时代。提出了一个Term Pace计算模型（TPCM）,其计算词汇的演化速度以及词汇中的结构变化。TPCM由四个模块组成,包括术语相关计数（TRC）、反向平均片段（IAF）、片段词典加权比较（FLWC）和术语速度（TeP）。TRC提取最常用的单词,IAF决定选择哪些词汇进行统计。FLWC用于发现词汇的在不同时段的变化。TeP非常重要,它计算一个术语随着不同时间段（即15、16、17、18、19世纪）的变化速度。本文第二个工作提出了一个识别特定文本所属年代/世纪的模型,该模型基于无监督算法终身文本提取器（LTE）,它计算文本之间的相似性并判断文本的年代。LTE使用相似性的度量为每个文档分配主题。此外,本文还提出了一种用于情感分析的混合分类算法（HCCA）,以提高分类准确性。HCCA是多个机器学习算法的组合,即Naive Bayes（NB）,最大熵（MaxE）和支持向量机（SVM）。本文提出混合NB（HNB）,混合MaxE（HMaxE）和混合Huberized支持向量机（HHSVM）。HCCA提高了情感分类的准确性。此外,深度学习（DL）在自然语言处理（NLP）中极具重要性,并且促进了当前领域的发展。目前,DL技术（例如图卷积网络）被用于文本挖掘的初始预处理（例如文本分类）,能够获得更好的结果。文本分类是自然语言处理（NLP）发展中的一个重要且经典的问题。基于卷积神经网络的一系列研究已经应用于文本分类。然而,图卷积神经网络在文本挖掘领域的研究还较少。本文使用图卷积网络对文本进行分类。基于文档中的单词和句子之间的关系构建语料库图结构,并训练了句子图卷积网络（SentGCN）。在其中,提出了一种新的基于PMI和TF-IDF的改进方法。在多个基线数据集上进行了实验,结果表明,在没有任何外部词嵌入或知识的前提下,SentGCN模型性能较优。