电子邮件自发明以来,已经成为人们生活中不可缺少的通讯方式。人们在享受电子邮件带来的方便和速度的同时也遭受着垃圾邮件、钓鱼攻击以及其它一些网络诈骗行为的危害。据2007年Commtouch发布的电子邮件威胁趋势报告显示,全球95%的邮件是垃圾邮件。垃圾邮件给互联网及广大用户带来了很大负面影响,它不仅占用系统资源,浪费用户时间,同时也带来安全隐患,更给国民经济造成了巨大损失,已经成为一个全球性的问题。面对垃圾邮件的迅速增长而带来的巨大危害,很多国家纷纷采取抵制措施,希望通过立法手段还网民以宁静的空间。同时,人们也积极从技术上展开反垃圾邮件的研究,从垃圾邮件产生的源头、传播途径,到最后的接收者等各个方面,提出了一些行之有效的垃圾邮件防范体系和垃圾邮件过滤方法。本文概述了当前反垃圾邮件的主要技术手段,并且从机器学习的角度研究垃圾邮件过滤算法,将垃圾邮件过滤问题纳入到机器学习框架当中。垃圾邮件的过滤问题本质上是一个分类问题,并且是一个分成两类的分类问题。过滤垃圾邮件,即判断邮件是否是垃圾邮件。若为垃圾邮件,则采取相应措施进行过滤,否则为正常邮件,不作处理。因此,机器学习中的很多算法都可以用到垃圾邮件过滤当中去。本文重点研究了在垃圾邮件过滤中广泛应用的四种算法:贝叶斯算法,Winnow,AdaBoost和支持向量机。通过大量对比实验,本文详细分析了上述四种算法对于样本的敏感性和适用的范围。此外,本文还实现了一种基于客户端的垃圾邮件过滤系统。此系统集成了上述四种过滤算法,通过插件方式,嵌入到邮件客户端Outlook当中。当新邮件当来时,可以自动对进行垃圾邮件过滤。