伴随着互联网的迅猛发展,非结构化文本的数量呈现指数级的增长。怎样快速准确地从这些海量文本中获得人们需要的有用信息,成为当前人们迫切需要解决的难题。文本分类算法已在文本自动整理、数字图书馆服务和检索结果的组织等方面获得了比较广泛的应用。但传统的分类算法忽略了文本中词与词之间的语义相关性,因此本论文对传统分类算法进行了相应的研究。另外,受启发于目前迅速发展的复杂网络理论,在文本主题分类之后,对其中的主题词进行复杂网络的构建研究,得到文本中主题词语之间的相关性,使人们在获取信息时达到事半功倍的效果。针对常用非结构化文本分类算法在面对大规模和维度较高文本分类时存在的缺点和不足,提出了新的以LDA模型为基础的分类方法。利用LDA挖掘得到文本中潜在的主题分布以及不同潜在主题内词语的分布,利用KNN分类算法分别计算文本在“文本-主题”特征空间和“主题-词语”特征空间的相似度,接着对其线性加权,进而对语料库中的这些非结构化文本主题分类。通过中英文两种文本集上面的实验证明,本文的算法能够取得很好的分类效果。其次,本文通过利用“窗口”的概念,对语料库中的多标签文本进行重新表述,利用Labeled LDA主题模型对新的多标签文本进行潜在主题建模分析,得到新的“主题-词语”分布,便得到了在文本潜在主题中两个词语同时出现的概率。根据“主题-词语”中的词语分布,以这些主题词为网络节点,主题词之间的关系度为边,构建文本主题词网络,并对该网络进行分析,以达到更加深入理解这些非结构化文本潜在主题的目的。