文本自动分类,是处理和组织大量的文档数据的关键且核心的技术,也是自然语言处理中的一个非常重要应用领域。然而在当今大数据背景下,分文分类的新问题不断出现。信息呈爆炸式增长,数据的海量性使得文本分类在时间方面存在极大的挑战。此外,对于有些分类问题,类的定义十分模糊和宽泛。本文结合遗传算法、相关反馈和分布式计算技术,对海量文本分类的速度与准确性问题进行了深入的研究,解决了在类的定义十分模糊和宽泛的情况下,进行有效文本分类的问题。主要工作如下：一、本文分析介绍了文本分类领域常用的关键技术和算法。着重阐述了文本预处理技术,包括文本数据集进行分词、特征选择和文本特征表示等。此外还有常用的传统文本分类算法研究,并重点探究了机器学习领域里的遗传算法以及其在文本分类中的应用。二、提出了基于遗传与反馈的分布式文本分类模型。此模型在传统的遗传算法基础上,进行了种群演化的分布式并行改进,提高了对分类模型训练的准确性。同时针对训练样本的稀缺性,引入相关反馈,提高了分类器的动态完善性能。然后针对改进的遗传算法的并行性与待处理文本的海量性特征,设计出了基于MapReduce模型的分布式文本分类算法,得到了解决这类题的基本模型。三、利用开源分布式云计算框架Hadoop,在集群模式下实现了基于上述算法模型的文本分类系统,并成功应用于北京市某研究所的项目中。通过对系统进行测试和性能分析表明,本文提出的算法模型具有良好的分类的效果。