随着信息技术的发展,文本信息呈几何级数不断增长,人们已经被淹没在信息海洋中。如何有效的组织、管理和利用这些文本信息,并快速、准确的从信息海洋中寻找到所需要的信息,是当前人们所要面对的一大挑战。文本分类在很大程度上解决了信息杂乱无章的现象。而文本数据的高维性和稀疏性可能导致分类精度的下降,因此特征降维作为文本分类过程中不可或缺的环节,已经成为信息科学领域的研究热点。作为模式识别、数据挖掘等领域中的一项重要预处理步骤,特征降维通过删除无关的冗余、噪声特征,达到降维的目的。然而,由于传统的特征降维技术仅仅考虑词语的统计信息,而忽略词语本身所含的高层语义,所选特征集往往不能从语义层次完整、准确的表达文档的意思。而中文作为一种表意型语言,其句法结构复杂,用词多变,一词多义和多词同义的现象严重,在降维的过程中更要充分的考虑词语的语法、语义信息。本文针对传统降维方法丢弃词语本身语义的缺点,在降维的过程中考虑了语义信息。首先分析了传统特征降维的缺点、中文文本特征降维的必要性及文本分类和特征降维的国内外研究现状；然后提出了一种基于语义的降维思路,通过引入潜在语义索引技术,对原始特征项进行潜在的语义挖掘,随后将特征项投影到低维的语义空间中并计算其语义相似度,应用聚类算法对所有特征项进行聚类融合,达到对特征项进行二次降维的效果。最后,为了验证所提出的语义降维方法的有效性,在基于ICTCLAS和Lucene的基础上搭建了文本分类实验平台,并选用传统χ2降维方法进行文本分类对比实验。实验表明,本文所提出的基于语义的中文文本特征降维方法在降低特征空间维度的同时,能够挖掘词语间的语义信息,提高降维后特征集合的质量,提升文本表示质量,从而提高分类性能。