随着信息技术的飞速发展,各种各样的信息迅速增长,尤其是文本信息。为了能在海量纷杂的文本信息中及时准确地获取有效的信息,文本表示技术以及文本自动分类技术受到了重视。基于支持向量机(SVM)的文本分类算法,成为当前的一个研究重点。本文针对支持向量机在中文文本分类中的应用,通过实验数据比较研究了文本分类过程中常用到的各种特征选择方法对文本分类效果的影响,对其中分类精度较差的互信息特征选择方法存在的不足进行分析,并提出了改进的互信息特征选择方法,实验结果数据表明,改进的互信息特征选择分类精度明显提高了。另外,针对训练样本数目很大时,训练速度和分类慢等缺点,本文从降低文本分类过程中文本向量数目的角度出发,来加快训练支持向量机分类的速度。采用改进的密度聚类的方法来提取原始样本中对分类起决定性作用的样本点作为新的训练集进行分类器训练。并且就基于支持向量机分类方法设计并实现了一个中文文本分类器,并采用准确率、查全率等性能指标对其分类结果进行了评价,实验结果表明该分类器具有较好的分类效果,有一定的实用价值。