随着海量数据量的增长,使得人们查找有用信息越来越难,速度也受到挑战,文本自动分类技术的研究也越来越受到人们的重视。文本自动分类方法很多,如：向量空间模型法、基于关联的分类方法、简单向量距离分类法、简单的贝叶斯分类算法、支持向量机(SVM)、k近邻算法(kNN)、词表法分类等。目前对于这些算法的研究,都是在提高分类准确度的基础上,尽量提高其时间效率。由于文本分类的不确定性,存在一个文本属于多个分类的情况,多标记分类算法得到广大学者的重视。目前的多标记文本分类算法主要是以提高文本分类准确度和降低时间复杂度为目的,一方面优化距离算法及将文档聚类以减少时间消耗,另一方面则设计更为合适的分类方法提高分类的准确度。由于文本分类算法需要进行大量的计算,如何提高算法时间效率仍然是文本分类面临的一个问题。如何能够在提高时间效率的基础上提高准确度也是研究重点之一。kNN算法因算法原理简单、易于实现。在此大背景下,本文提出基于类别阈值判断的kNN算法。本文提出的基于类别阈值判断的kNN算法运用FSkNN中的模糊相似度计算算法对文本进行聚类,缩小查找范围,从而达到减小时间效率的目标。多标记阈值判断算法根据训练集中每个类别的隶属度值分别计算其阈值大小,通过kNN算法找到测试文本的k个最近邻。根据这k个最近邻的标记向量,计算出测试文本对于每个类的隶属度。如果隶属度大于该类的判断阈值,则将该类的标记置为1,否则为O。在多标记分类中,存在所有标记都为零的情况,意味着这个文本丢失了,本文针对这个问题,提出零标记修正算法。如果所有标记为零,则运行该算法进行修正。实验结果表明,本文提出的算法具有较高效的时间效率,并获得了较高的准确度。