随着互联网技术的快速发展，人们日益普遍地使用计算机来生产、处理、交换和传播各种形式的信息，世界对信息的需求快速增长，而文本是承载信息的主要载体，文本分类技术也越来越受到人们的关注。文本分类问题是将一篇未知类别的文档归入预先定义的类别中，而文本的自动分类则是使用计算机来实现这样的分类。文本分类可以更好的帮助人们组织文本、挖掘文本信息，文本分类技术也成为信息处理领域最重要的研究方向之一。虽然人们对文本分类算法做了大量研究和发展，但是分类速度和分类精度依然是一对矛盾，文本分类算法的时间复杂度依然很大，在现有的串行结构下，很难有质的突破。因此，本文针对文本分类中遇到的现实问题，在不降低分类准确度的情况下，将传统文本分类算法在GPU上并行实现，利用GPU强大处理能力和高带宽减少文本的训练时间。近年来GPU已经在科学研究和超级计算领域取得突破性进展，随着数百万支持CUDA的GPU已经遍布全球计算机，研究人员正在将CUDA应用到更广阔的领域中。本文对文本分类相关技术和CUDA编程模型作了深入研究，首先介绍了文本分类相关技术和理论，研究了现行分类算法的缺点和不足，然后对GPU通用计算和CUDA编程及程序优化进行了研究。本文根据KNN算法的特点提出了一种基于GPU的并行KNN算法，主要包括并行的相似度算法和排序算法，并对CUDA程序作了优化。最后将本文的算法在GPU上实现，对实验结果进行了分析，结果显示基于GPU的并行算法有很高的加速比，证明了GPU并行计算加速文本分类算法的有效性。