随着计算机能力的日益增强和存储容量的增长，大规模的数据获取更为方便和普遍，同时也产生了新的问题。在很多领域中，如文本挖掘、生物特征认证、图像分析和计算机视觉、信息检索中的文本分析和计算生物学等，获得的是高维数据，这样极有可能导致“维数灾难”的出现。近年来，流形学习成为了机器学习领域的一个热点研究方向，流形学习期望从高维数据空间中寻找数据隐含的规律性与结构，被广泛用于高维数据降维，是一种非线性数据降维方法。文本分类作为信息检索、搜索引擎、文本数据库、数字化图书馆等领域的技术基础，有着广泛的应用前景。由于文本数据的非结构化特点，进行文本表示时，特征向量高达几万维甚至于几十万维。高维的特点会大大增加冗余特征信息，从而导致分类的准确度下降。数据降维能够减少文本向量的维数，而使特征向量能更好地代表文本或者类别特征。本文假设文本向量空间存在一个潜在的文本流形，将文本看做是这个流形上抽样的点，将流形学习应用在文本分类的文本预处理过程中，提出了一种基于ISOMAP的Bagging文本分类算法，比较完整地描述了相关理论基础及算法的具体流程，并对ISOMAP算法进行了增量式改进，提出了一种基于增量流形学习的Bagging文本分类算法，并进行了实验比较和分析，实验证明了流形学习在文本分类中的应用，能有效提高文本分类的性能。