因特网上文本信息的迅猛增长给文本分类的精度与速度提出了新的标准与挑战。这就要求文本分类在提高精度的同时,还要进一步提升训练与分类速度。为了面对时代的挑战,作者对快速文本分类技术进行了探索和研究,取得了一定的成果。本文首先介绍了文本分类的发展概况和文本分类过程中的相关技术,重点介绍和分析了文本表示、分词方法、特征选择、和常用的分类算法等,为后续章节的研究提供了理论和实验基础。随后,概括总结了现有快速文本分类技术及其方法,包括索引技术、样本裁减技术和降维技术,并重点介绍了降维技术的理论和方法。最后,本文提出了一种基于边界可信度相似的快速文本分类算法和在其基础上改进的基于类别分布特征的快速文本分类算法,依据类别分布特征调整文本与类别的相似度,克服了数据集类别间样本分布不均衡和类别中样本密度不均的缺点,提高分类的性能。实验结果表明该算法提高了文本分类的效果,显示出了较好的鲁棒性,并显著提高了文本分类效率。