电子邮件是当今最为经济和快捷的通讯方式,而垃圾邮件也成为互联网领域的一大难题。目前,用户收到的垃圾邮件的数量已经超过了正常邮件的数量,而且还有进一步增加的趋势。与此同时,人们也研究出了许多的解决垃圾邮件问题的途径和思路,基于内容的垃圾邮件过滤方法是较为重要的方面,其中,Boosting、Bayes、SVM、Winnow方法是目前较好的垃圾邮件过滤方法,它们在评测语料上的结果已经达到很高水平。本文针对上述问题和现有的研究成果,将最优搜索理论引入垃圾邮件过滤领域,采用最优搜索和KNN相结合的方法,对通过SVM过滤器的可能是误判的垃圾邮件进一步做出判断,来减少正常邮件误判为垃圾邮件给用户带来的损失。主要改进工作为:对分词词典进行了重新加工组织,增加了一些最近出现的词,删除了1字节和2字节词。在分词的具体实施上作了一些相应处理,避免了漏掉重要词语,减少了分词的工作量和分词后得到的词数,为后续的特征选取减少了计算量;分词过程中,对数据库操作做了改进,提高了分词速度。对特征项权重的计算作了改进,提高了分类的精度。创新工作为:根据KNN方法的分类效果和最优搜索方法的在给定资源限制条件下,达到最大查找概率的特点,用最优搜索方法之长补KNN方法之短,构造了最优搜索和KNN相结合的垃圾邮件再过滤模型,提高了垃圾邮件过滤的正确率,降低了误判率。根据上述研究成果,本文最后给出了一个基于SVM和最优搜索与KNN相结合的双重垃圾邮件过滤系统。