随着互联网的兴起,各种类型数据包括文本、音频和图像等以惊人的速度增加。而文本数据与音频和图像数据相比,它占用网络资源少,传输速率高,更易于被上传和下载。这使得网络资源中大部分是以文本形式存在,因此,如何利用这些文本资源,构建模型挖掘出有用的信息,是近些年来研究者的一大目标。基于机器学习的文本分类方法不断涌现,更好的帮助人们组织文本、挖掘信息。传统的机器学习方法是在训练数据和测试数据分布一致的前提下进行的。然而,在一些现实世界中的应用,训练数据和测试数据来自不同的领域。在不考虑数据分布的情况下,传统的机器学习算法可能会失效,针对这一问题,近年来研究者提出了迁移学习的思想,即在处理这些数据源分布不均的问题时,利用相似的数据进行学习,并将学到的知识迁移到目标领域中,帮助目标领域任务的学习。迁移学习这一概念的提出,有效的解决了源领域和目标领域数据分布不同的问题。本文将迁移学习与模糊理论相结合来研究文本分类问题,主要研究内容如下:(1)针对传统文本分类方法的不足,详细描述了迁移学习的分类方法以及各类不同方法的基本思想、主要针对的问题以及存在的缺陷。(2)提出一种基于改进的模糊C均值(FCM)文本迁移学习算法,并解决了该算法中两个关键问题:利用自然邻居算法解决了传统k-means方法参数设定问题,并通过自然邻居集合对模糊隶属度进行初始化,有助于算法快速收敛;二是在模糊C均值聚类中,构建新的最优化目标函数,利用样本的自然近邻关系和伪标记信息(其中自然邻居关系包括源领域数据和目标领域数据),对样本在目标域空间的分类判别进行修正和增强,并通过重构与目标域适配性更强的特征集,从而达到文本分类模型从源域向目标域的学习迁移目的。(3)考虑到不同的简单分类器以及特征提取算法对本文提出方法的影响,本文在20 Newsgroups等数据集上设计了不同的实验。同时,将本文提出的算法与传统的SVM和朴素贝叶斯分类进行对比,实验结果表明,该算法具有较好的正确率,有效的解决了在训练数据和测试数据分布不一致的情况下的文本分类问题。