随着信息技术的发展,文本资料的数量呈几何级增长,如何在众多的资料中快速准确的找到人们需要的信息,成为当前信息处理领域一个亟待解决的问题。基于人工智能的文本分类技术能够根据文本的语义内容,自动将文本划分到预定义的类别体系中,从而一定程度上解决了上述难题。现在,文本分类技术已经有了很广阔的应用领域,而且还在不断发展。　　 文本分类是一个复杂的过程,主要包括文本预处理、文本表示、特征选择、分类算法、性能评估等。本文针对这几个方面进行了研究和探讨:文本表示方面,本文着重分析了向量空问模型;在特征选择方面,本文分析了互信息、信息增益、CHI统计等常用的特征选择方法。分类算法是系统的核心,本文给出了SVM和KNN分类算法,并以KNN算法为重点。　　 本文首先给出了传统KNN算法的概念、思想和实现,然后详细分析了该算法的优点、缺点,同时给出本文针对传统KNN算法的改进思路、改进方法。通过引入kd-tree存储搜索结构和聚类算法来提高KNN算法的速度。Kd-tree能够加速k近邻的检索速度,同时聚类算法的引入又能够大大的缩减样本空间。　　 最后,本文实现了一个简单的文本分类系统,并给出了各个模块的简要设计。通过该系统对本文改进算法进行实验验证。结果表明改进算法在分类准确率下降可以接受的情况下,大大提高了算法的分类速度。