随着互联网的发展和大量文本资源的出现,自动文本分类成为研究热点。为了提高文本分类器的性能,通常需要大量带标注的训练文本。但是训练文本需要专家构造,这是一项费时且耗力的工作。然而,我们可以很容易获得大量未标注文本。半监督学习技术把少量的标注文本与大量未标注文本相结合,可以有效解决标注瓶颈问题,因此逐渐引起人们的关注。基于EM的半监督文本分类是通过EM算法将标注训练集与未标注训练集相结合构建分类器,利用未标注训练集的信息提高分类器的性能。该方法存在以下不足:由于初始标注训练集信息资源不足,分类器精度不高,未标注训练文本易被错误分类,这些不可靠数据会在一定程度上影响分类器的性能。针对该问题,本文提出一种改进的基于数据重构的半监督EM文本分类方法。该方法根据半监督学习的聚类假设,利用未标注样本与标注样本之间的关系,在每次迭代中利用数据剪辑和集成学习思想识别未标注训练集中的不可靠数据,对训练集进行数据重构。通过实验验证了该方法改进了分类器的性能。另外,一旦错误信息加入标注样本集,这些信息将对分类器产生消极影响,而使当前未标注训练集含有的有用信息得不到充分利用。针对这个问题,本文提出一种基于增量式EM的半监督文本分类算法。该算法充分利用中间分类器的有用信息,使用划分机制对未标注样本进行有效划分,并使用回馈学习机制对新增样本的信息进行修正,提高新增样本的可靠性,把未标注样本增量式地加入标注样本集,改进了算法的分类性能。最后通过实验验证了该算法的有效性。