随着信息技术的迅猛发展,网络信息量呈爆炸性的增长。以互联网为载体的海量数据蕴含着大量信息,有效的分析并挖掘这些信息中的价值是很有必要的。文本分类技术是数据挖掘领域最常用的技术之一,本文对文本分类技术进行详细的研究。在文本分类领域中,国内外学者基于最近邻技术提出了K近邻文本分类算法,然而传统的K近邻文本分类算法有两大缺点。第一,K值的确定始终面临着困难,如果设置不合理将会对分类结果产生很大的影响,降低分类算法的准确率。并且,对于不同的文本数据集,K值的设定并无经验可循,这给研究者带来很大的麻烦。第二,分类结果受文本集分布影响很大,当训练文本集的分布严重倾斜时,分类效果很不理想。基于此本文提出自然邻的思想,并将其应用到文本分类中,很好的克服了K近邻文本分类的缺点。本文所做的具体工作如下:第一,调研并分析了文本分类的背景和意义,总结了文本分类关键技术的国内外研究现状。第二,分析并总结了文本分类的详细过程和步骤,对每个步骤中的经典技术进行详细的归纳和总结。着重探讨了文本分类的几种常用算法,并对它们的优缺点进行分析和总结。第三,研究了最近邻技术的概念,详细分析了最近邻技术的缺点。针对最近邻中参数的不确定性以及对数据集分布比较敏感等缺点,提出了自然邻居思想,并对自然邻居算法中的自然稳定状态进行改进。自然邻算法可以自适应的获取数据集的自然邻居,无需任何参数,很好的克服了最近邻技术的缺点。最后分析并总结了自然邻的特征,验证了自然邻算法对高维数据的可行性。第四,提出了一种基于自然邻的文本分类算法(TCbNaN),并通过与K-近邻算法以及无权重分配的自然邻文本分类算法的对比验证其优越性。首先,提出了一种基于自然邻的权重分配算法,通过对文本训练集进行权重的重新分配得到训练集中每个文本向量合理的权重信息,然后提出了基于此权重分配信息的自然邻文本分类算法,最后,通过与KNN文本分类算法和无权重分配信息的自然邻文本分类算法进行对比实验,验证了TCbNaN算法的优越性。