网络信息量的指数增长对信息检索提出了更高的要求。为方便信息检索，有必要先对海量的电子信息按其内容加以分类。文本分类作为处理和组织大量文本数据的关键技术，可以在较大程度上解决信息杂乱的问题，已经在信息检索、信息过滤、搜索引擎、数字化图书馆等领域广泛的应用。 本文首先对文本分类领域的几个关键问题进行了描述，同时给出了典型的文本分类过程及系统框架。然后，对文本的表示、相似性度量、权重的计算、文本分类模型、降维技术以及评价标准作了详细的阐述。 若要有效地实现文本分类，维数约减是必不可少的，它不仅可以去除冗余和噪声数据，节省存储空间，降低计算的复杂度，而且直接影响到分类器的设计及分类的精度。它在信息检索、机器学习和模式识别中也是至关重要的一步。本文主要针对信息检索中的文本分类的降维技术进行了研究，主要工作包括以下几个方面： 第一，特征选择在文本分类领域里一直扮演着重要的角色。本文通过引入特征项的权重，改进了原有的信息增益、期望交叉熵、文本证据权特征选择方法的评估函数，提出了一种加权的文本特征选择方法。 第二，为了更好的利用权重信息，本文从特征项与类之间关系的角度考虑，提出了一种基于模糊关系的文本特征选择方法。通过权值确定隶属度，再用其隶属度构造了一个评估函数，用它来对原始空间进行特征选择。 第三，文本处理过程中的一个基础性问题是文本的表示和索引。本文从判别能力上分析，提出了一种称为有监督的保局索引(SLPI)算法，SLPI目标是发现文本空间的局部结构，它是一种线性的维数约减技术。并利用“核方法”将其推广到非线性的情况，即有监督的核保局索引(SKLPI)。