中文文本文档的分类一直被认为是NLP和ML领域中的重要研究主题。数据库中原有数据会不断积累,中文文档的数量每天都在急剧增加。而现有中文文本分类技术大多缺乏比较全面的特征选取方法,或者说算法中的分类指标过于片面。因此,对此类中文文档分类算法进行方法改进是提高中文文本分类技术实用性和有效性的一种解决办法。本文以文本分类为依托,重点研究文本分类系统中的关键环节。具体从特征降维以及分类器算法环节等方面入手展开了研究:首先在特征降维环节中,根据卡方(CHI)统计算法中存在词项的出现频率与类别互相关问题以及互信息(MI)算法存在没有考虑到词项在文本中的出现频率,使得倾向于选择一些低频特征词的问题,通过同时引入了词项的词频因子与调节因子分别提出改进,形成了一种理论效果优于卡方统计和互信息的新算法即CHMI算法;目前TF-IDF权值计算方法常用于特征降维环节并对文本内容进行特征词选取。针对TF-IDF算法在计算中忽略了特征词的类间分布关系这一缺陷,本文提出了采用卡方统计进行算法结合并形成一种TF-CHI特征选取算法;XGBoost作为一种机器学习算法可用于解决多分类问题,使用XGBoost算法也可以得到更精确的分类结果。本文针对XGBoost算法在中文文本分类技术应用中存在的方法效率较低或者处理高维度特征词比较困难等问题,提出在分类流程中首先利用TF-IDF算法进行特征词的预先筛选。最后形成一种基于XGBoost算法并与TF-IDF算法相结合的TF-XGB改进的特征选取方法。最后在分类算法环节,基于支持向量机的算法结果常常出现学习能力与泛化能力之间的强弱矛盾。本文首先将核函数按照全局核函数以及局部核函数的角度进行分类研究,根据全局核函数普遍存在的一种弱学习能力而局部核函数普遍存在一种弱泛化能力的问题,通过实验验证提出了一种基于全局核和局部核的混合核函数,具体是一种采用线性核与高斯核进行线性组合的混合核函数。