随着计算机网络的飞速发展,电子邮件成了人们日常生活中不可或缺的通信方式。然而同时也有大量的垃圾邮件随之而生,这些垃圾邮件包含反动、诈骗、推销及非法出售等各种内容,在严重干扰人们正常通信的同时,也存在危害社会的隐患。最近的调查显示,在这些垃圾邮件中,文字仍然是其主要的传播形式,因此基于邮件内容的垃圾邮件过滤技术一直是反垃圾邮件的主要研究方向。基于内容的垃圾邮件过滤技术主要分为分词、文本表示、特征选择和分类四大部分,很多研究人员在这四个方面做了大量工作,取得了很多成果。本论文对垃圾邮件过滤的这四个部分进行了原理分析,主要研究了其中的特征选择算法,并根据垃圾邮件过滤的特点对互信息特征选择算法进行了改进。其中,简要地阐述了基于内容的垃圾邮件过滤技术的发展、应用和现状,描述了各个环节的算法原理。在分词部分,在对垃圾邮件内容分析的基础上,对传统的分词算法增加了分词预处理环节,并给出了新的分词算法流程。在特征选择部分,重点论述了互信息算法在垃圾邮件过滤中的应用,从频度、分散度和集中度三个方面对传统互信息算法进行了分析和改进,在传统互信息算法中加入了词频因子,采用类别贡献比来衡量特征对类别贡献的差别,并采用真实邮件集在MATLAB上进行了仿真实验。在文本分类部分,分析了bayes分类算法在垃圾邮件过滤中的应用,并选择朴素bayes分类算法在weka环境中进行了邮件分类实验。将改进算法的实验与传统互信息算法以及其他文献中的实验进行对比,对比结果表明,在维数压缩率相近的条件下,改进后的互信息算法显著提高了垃圾邮件的查准率和查全率,为后续的邮件分类环节提供了更好的基础。