在互联网广泛应用的影响下,特别是微信、微博、问答系统等新媒体的出现使得互联网每天产生海量的短文本信息。这些短文本的长度短、内容少、用词不规范、数据量庞大而且属于半结构化的信息数据。把长文本的处理方法直接应用于短文本的文本挖掘中,难以取得令人满意的文本挖掘效果。因此,如何准确、实时、高效的挖掘短文本中隐藏的信息,是目前中文信息处理与文本挖掘讨论与研究的热点。短文本具有结构短、文本内容少、数量庞大、语义不明显等特点,导致短文本的分类面临特征稀疏、噪声多、上下文依赖强等问题。基于搜索引擎的短文本分类方法,分类结果比较依赖搜索引擎;基于大规模语料库的分类方法,比较依赖外部语料库。本文在分析短文本特点的基础上,根据目前短文本分类方法存在的缺陷,从短文本的建模矩阵特征稀疏、短文本上下文依赖性强等问题进行切入,探索根据主题判断短文本的相似度从而实现分类。首先,研究文献资料,分析中文文本分类的理论和方法,着重分析短文本分类方法。在分析基于VSM的传统短文本分类方法时,发现短文本建模的特征矩阵稀疏、维度高不利于准确分类,因此设计一种基于主题相似度的分类算法。应用主题挖掘的理论和方法,采用LDA概率模型来估算短文本的主题概率分布向量。其次,针对传统KNN算法在分类过程中,计算量特别大,处理文本集庞大的短文本集时,计算量会更大。本文根据局部敏感哈希解决ANN问题的优点,构建改进LSH的KNN分类器,实现从主题层面上对短文本的快速分类。最后,本文从理论上叙述了构建改进LSH的KNN分类器,能够在一定程度上提高分类效果,减少分类时间。本文根据构建的分类器和文本分类方法,在Linux环境下建模,利用MATLAB实现分类,设计基于VSM分类方法的对比实验,对最终的实验结果对比,得出本文基于主题相似度的分类方法整体分类性能较好。