近几十年来，生物信息学实验手段和研究方法的不断突破和数据存储技术的快速发展使得领域内实验数据及相关研究文献呈现爆炸式增长。如何从规模日益增大的网络数据库中快速有效的提取感兴趣的信息成为生物信息学的一大挑战。随着文本挖掘技术的兴起，将其应用在生物信息学文献挖掘领域受到了广泛的研究与关注。利用文本挖掘技术不仅能从文献数据中发现知识从而掌握领域研究现状，更可以自由构建生物信息数据库。生物学文献挖掘系统成为了现代生物学研究工作的重要组成部分。在动植物生长过程中，许多重要的经济性状都是数量性状，据此引入了数量性状座位（Quantitative Trait Locus, QTL）来描述控制数量性状的基因。现有针对某个或某些物种的QTL信息数据库，它们大多均采用人工筛选文献的方式为这些数据库搜集信息。针对这些QTL信息数据库包含信息不完整和更新不及时的问题，本文尝试将基于机器学习的文本分类方法引入生物信息数据库构建流程，从大量文献中挖掘出特定的目标文献，构建了面向作物QTL定位的文献自动分类系统。本文的研究对象是大量特定物种的生物学研究文献，其研究目标是从中分类出与物种QTL定位相关的研究文献，为构建物种QTL信息数据库提供原始数据。在研究过程中，为实现对文献的分类采用了支持向量机来进行文本分类。用于支持向量机学习的实例文献来源于各个网络权威生物信息网站，通过网络爬虫程序逐级追踪链接将这些文献信息下载存为文本文档。针对学习实例来源于不同数据库，因此可能存在的数据格式的不一致和信息冗余问题，对该数据集进行了多种形式的数据清理工作。本文的待分类文献数据来源于PubMed数据库，通过对待分类文献数据集进行量化分析，得出本文的分类任务具有不均衡数据特性。针对该问题，在文本表示阶段，利用本文分类的生物学文献特性提出了将词表示和词组表示相结合的向量构建方法，有效提高了分类精度。在数据层面，对改善不均衡数据对分类器性能影响的多种典型重采样策略进行了综合比较，同时结合支持向量机内部各核函数和参数选择方法进行了细致的实验，选择出各个核函数和多种重采样策略之间相互最匹配的组合，给出了最适合本文任务的解决方案。最后通过对单个物种和多个物种混合的大量研究文献数据集进行预测分类，验证了本系统的有效性和普适性。