目前,随着网络的发展,电子邮件已成为人们生活快速、便捷的重要通信手段之一,人们通过电子邮件的往来日益频繁,每天都要处理大量的邮件,所以迫切需要对邮件进行分类处理。在另一方面,大量文本分类技术应用于邮件分类中,但目前并未有公开的中文邮件分类语料库,实验者都是在自己收集的语料上做实验得出结论。且分类算法的分类性能在某种程度上与训练语料库相关,好的或高质量的训练语料库可能会导致分类器得到好的分类性能。基于以上观点,本文通过对邮件分类、聚类等技术的研究,提出了建设一个多类别、动态的、自动与手工相结合的中文邮件语料库系统。首先,本文分析了现有邮件语料库的情况,结合语料库的基本知识提出了构建中文邮件语料库的框架,并给出了邮件的处理流程。其次,面对一系列收集的MIME格式邮件,结合邮件的格式对邮件进行解析,提取出相应字段的内容。为了丰富语料信息,以及更好地进行邮件的分类和聚类操作,对邮件进行了一系列的预处理。再次,针对邮件的特点,在构造邮件表示模型时,从邮件头部字段抽取了一系列的邮件特征用以分类。本文将最大熵模型用于邮件分类中,比较了多种特征组合方式、特征数、迭代数、层次分类及直接分类的分类效果。根据实验结果选择合适的分类设置。然后,本文描述了传统的文本聚类技术,并根据本系统的需要,提出了基于可到达路径的聚类算法,实验表明该算法可以较好地对邮件进行聚类,减少用户的人工干预。最后,在对邮件语料库进行属性描述后,采用语料添加算法来选择新的邮件语料,从而保证整个语料库具有一定质量。