随着互联网的发展以及挖掘其中数据潜在价值的需要,大数据和机器学习等信息处理技术也迅速崛起。其中,文本分类技术更是在舆情分析、主题分类、情感分析、邮件过滤和金融预测等诸多现实领域发挥巨大的潜在价值。而文本分类技术的效果与文本特征选择有着极其密切的联系,为使选择的文本特征具有良好的文本分类性能及更高的分类效率,本文选择并改进了基于遗传算法的文本特征降维方法,主要改进如下:1、改变了基因群的选取规则。根据词频-逆文档频率算法和互信息算法的优点和存在的问题,提出一种多规则融合的过滤式特征选择算法,将其用于对原始文本特征的初步选取,形成种群中个体的基因群;2、将个体的生成方式与概率规则相关联。增加对种群多样性的关注度,通过对初代进行内部种群多样性和外部种群多样性的计算,提高起点个体在分类结果上的表现,缓解收敛速度与种群多样性之间的矛盾关系,同时缩短出现最优个体所需要的繁衍代数;3、对适应度函数添加了维度的影响因子,以更全面的方式衡量个体的外在表现;4、对交叉算子和变异算子使用自适应的方式,加快种群收敛速度。将传统遗传算法和一般过滤式特征选择算法与改进后的遗传算法进行实验对比,结果显示,改进过后的遗传算法在寻优过程中适应度函数的提升幅度更大;分类性能评价指标中的准确率、召回率和宏平均值均为三者最高;对比传统遗传算法,寻找最优个体的时间发生了下降。证明了改进后的遗传算法在进行文本特征降维时具有更快的收敛速度和更佳的寻优能力,达到了文本特征降维的目的和效果。