文本分类问题作为机器学习的一个重要问题,其研究一直受到关注.然而,作为一类特殊的文本,科技文本的分类问题却没有得到足够的关注;与此同时,科技文本分类问题的需求却与日俱增.针对这一现实需求,该文以环境科学类科技文本为例,对科技文本的分类问题进行了深入研究.论文的主要内容包括:以环境科学类科技文献为例,建立了科技文本的样本库和字典库.其中包括的文本样本均来自于真实的科技文献.分别从三个不同的角度对科技文本分类问题进行了研究工作,其中:将科技文本分类问题看作一个多分类问题来解决,在学习过程中使用了一种全局与局部统一的半监督学习算法,并针对科技文本的分类特点对算法提出了改进.将科技文本分类问题作为一个两类问题来解决,针对科技文本的特点首次提出了一种层次结构的文本分类模型.结果显示,该模型能够稳定并有效地提高分类的精度,将科技文本分类问题作为一个One-Class问题来解决,首次提出了一种将局部线性与One-Class相结合的文本分类算法,该算法利用局部线性的思想寻找文本样本的内在支撑流形,利用One-Class的思想确定正负样本的分界面.与标准SVM算法和One-Class问题的SVM算法相比,该方法具有分类精度高、参数估计简便、正负样本分类精度可控制、计算量低等优点,该算法为解决科技文献的分类问题提供了一条有效的途径.