Internet已被公认为是20世纪末人类科技史的里程碑,它促使人类社会步入了以网络为中心的信息时代。随着WEB信息量爆炸性增长,人们很难从大量的信息中迅速有效地提取出所需信息,出现所谓的“信息迷向”的现象。为了准确地定位所需的信息,文本分类的研究显得越来越重要了。向量空间模型是进行大规模文本处理常用的表示模型,本文对基于向量空间模型的文本分类的关键技术进行了研究和探讨,包括:文本的表示,向量空间模型,特征类型的确定,特征的抽取与选择和文本分类算法等问题。传统的向量空间模型不能区别不同位置的文本特征项表达文本内容的不同能力。针对该问题,本文运用位置修正因子调整特征项权重,提高了向量空间模型的性能。本文结合已有的文本信息描述和特征抽取方法,综合考虑了频度、分散度和集中度等三项指标,设计并实现了一种新的特征抽取算法,使得选出的特征项整体优化。作为对比的基准,本文编程实现了传统的基于类中心分类法的文本分类系统,通过分析该方法存在的问题,提出并实现了二级分类模式的文本分类系统。实验结果表明,二级分类模式的分类系统具有较高的精确度、召回率和F1测量值。本文最后指出,概念空间能够深入描述文本之间的内在联系,采用概念空间代替词频空间来表示文本,不仅能够大大降低特征维数,提高文本分类效率,还能有效滤除噪声,提高文本分类的正确率。