文本分类作为信息过滤、信息检索、搜索引擎、文本数据库、数字化图书管等领域的技术基础,有着广泛的应用前景。而支持向量机是基于统计学习理论的新一代机器学习技术,能较好地处理小样本情况下的学习问题,并且利用核函数思想把非线性问题转化为线性问题来解决,降低了算法的复杂度。目前,支持向量机已经成为国际上机器学习领域新的研究热点。该课题从文本的特征提取、支持向量机的增量式算法、多类文本分类三个方面系统的研究了支持向量机在文本分类中的应用。在文本分类中,特征空间的维数高达数万是非常普遍的现象,为了使分类算法有效,必须选用特征选择方法降低特征空间的维数。本文对常用的文本特征选择方法进行了分析比较,阐述了基于支持向量机的特征选择方法,实验验证该方法是可行的。在本文中深入分析了支持向量集的特性,介绍了一般的增量学习算法。通过分析,指出在增量学习中确定学习参数比较困难,本文利用v-SVM方法阐述了一种支持向量机的增量式学习策略,可以自动的调整增量训练参数,并对此方法的原始优化问题、拉格朗日函数和对偶问题进行了描述。传统的文本分类器,需要做大量的预处理工作,来收集正负样例。由于负例的收集非常困难,为了取消在预处理时手工收集负的训练样例的需要,有效的将支持向量机应用到多类文本分类中,本文对三种常用的多类分类方法进行了介绍和分析,并阐述了一个只有正例的基于SVM的多类分类方法。该分类方法的目的是从正的无标签的数据中学习,进行多类分类,得到象所有有标签数据一样的分类精度。