现在新浪微博的注册用户达到10亿以上,微博数据有着非常巨大的潜在价值,但是目前对这些大量的数据并没有进行管理分类,整体上还是比较杂乱的,很多有用信息都需要我们进行挖掘,本文通过朴素贝叶斯分类方法对微博数据进行分类,数据处理的结果应该会有很大的商业价值。本文主要做的工作从宏观上来讲就是进行文本分类,从上世纪60年代开始,人们就开始研究文本分类,初期的文本分类主要是基于知识工程(Knowledge Engineering),通过人工定义一些规则来给文本分门别类,这种方法不仅非常耗时耗力,而且要求人们必须对某一领域有足够的了解,才能够写出比较合适的规则。到上世纪90年代,网上电子文本使用的非常多,机器学习也很流行,基于机器学习的文本自动分类方法逐渐成为主流。文本分类的方法有很多种,其中朴素贝叶斯(Na?ve Bayes)分类器是当前被广泛接受的一种文本分类方法,也是本文对微博数据进行分类所用的方法。本文首先对文本分类的过程及方法进行简单的介绍,并且细化到介绍一些特征提取方法,如文档频次方法、TF-IDF方法等,同时对基于朴素贝叶斯方法的文本分类原理进行详细的研究,并运用文档频次方法、TF-IDF两种提取特征方法对朴素贝叶斯分类器进行训练,将得到的结果进行比较,最后对文本分类这项研究内容进行展望。