随着互联网和移动设备大规模的使用,数据呈指数式增加,对海量数据的处理是人们所要面临的一个急切且重要的问题。文本分类是自然语言处理领域的重要研究方向,它能够高效的管理数据信息,实现数据的快速定位和分类,以便对数据进行进一步处理,有效的缓解数据信息混乱的现象。在我国,信息多是以中文文本的方式呈现,因此中文文本分类具有重要研究意义。本文首先介绍了基于机器学习的中文文本分类的理论基础知识,重点研究了目前应用比较广泛的特征处理方法和分类器。深入研究了支持向量机(Support Vector Machine,SVM)算法的原理和过程,对其基本方法和核函数的选择做了讨论。针对支持向量机的惩罚因子和径向基核参数难于选择的问题,引入粒子群算法进行优化。针对粒子群算法的缺陷,通过改变惯性权重为非线性递减惯性权重、引入异步变化的学习因子、对越界粒子进行重新处理的方式进行改进,并利用机器学习UCI数据集进行对比验证试验。实验结果表明,改进粒子群算法具有更高的分类精度,验证了本文改进粒子群算法优化SVM参数的有效性。之后,对非线性递减惯性权重式子中指数n对改进算法的影响进行了分析和讨论。通过取不同n值的改进粒子群算法优化SVM模型参数,并将该参数用于训练模型。通过SVM文本分类实验结果找出本环境下的最佳指数值,从而找出本环境下改进粒子群算法的最佳状态。本文使用复旦大学提供的中文数据集,将改进的粒子群算法、线性递减惯性权重的粒子群算法和标准粒子群算法分别对SVM模型进行参数优化,优化的参数用于训练SVM模型。通过文本分类对比实验,利用测试集对训练好的分类器进行测试和评估。实验结果表明,相较于线性递减惯性权重粒子群算法和标准粒子群算法优化的SVM模型,改进粒子群算法优化的SVM模型在文本分类上的准确率、召回率和F1值有较明显的提高,证明了改进粒子群算法的SVM分类器具有更好的分类性能,以及改进粒子群算法对支持向量机模型参数优化的有效性。