随着大数据时代的来临,通讯技术的不断发展和各种智能信息终端不断进步,使垃圾短信息群发技术更新迅速且成本低廉,导致人们普遍使用的手机短信成为利益驱使者和不法分子的重点“关注对象”.据12321举报受理中心调查显示,几乎所有人都受过垃圾短信的困扰.虽然政府和运营商都提出一系列方法治理垃圾短信,也取得了一定的成效,但技术的不断革新使垃圾短信具有多样性和时效性等特点,因此对垃圾短信的识别和治理是一项长期且艰巨的任务,具有重要意义.本文以2015年大数据竞赛移动发布的部分短信数据为基础,以短信文本分类技术为研究对象,首先介绍了当前短信业务发展现状、垃圾短信泛滥所造成的严重后果、垃圾短信的特点和种类、垃圾短信治理取得的成效以及垃圾短信分类技术研究的重要意义,并介绍了国内外垃圾短信识别与治理的现状.然后介绍了传统的基于内容的文本分类技术,包括中文分词、文本预处理、文本表示、特征选择,并介绍了支持向量机和随机森林分类器以及模型评价方法,并基于移动短信数据集对垃圾短信分类实验,分类效果有待提高,原因主要为数据不平衡问题和短信文本短、语义稀疏的问题.其次,针对数据不平衡问题,提出了几种常用的处理方法,本文针对短信数据集自身的特点提出先用LDA主题模型对正常短信类进行主题结构探索,再用K-means聚类方法对其文本-主题分布进行聚类,并对各子类别按照一定的比例随机欠采样即基于LDA-Kmeans聚类的降采样方法,得到相对平衡数据集,在此基础上构建随机森林分类器,在一定程度上对垃圾短信的识别率有所提高.最后,针对短信数据集文本短、语义稀疏问题,提出针对短信文本统计特性构建新特征对文本特征进行特征扩展,形成二元混合特征,并基于LDA-Kmeans聚类的降采样技术构建随机森林分类器,使垃圾短信的识别率大大增加,取得了较好的结果.在文章结尾,对本文进行了总结,并提出了垃圾短信识别今后的研究方向.