互联网技术的飞速发展使互联网上的数据量不断增加,如何从海量数据中挖掘有用的信息受到越来越多的人关注。海量数据是以文本为主的非结构化数据。文本分类是管理海量文本信息的一种有效方法,也是自然语言处理中的重要研究课题。文本的高维性、高稀疏性的特点给文本分类增加了难度,因此,如何降低文本数据的维度、提高文本分类器的性能是研究的重点。主要工作如下:提出一种基于词性和词性组合改进的LDA模型,即PSC-LDA模型。该模型考虑中文中不同词性的词对语义表达的贡献差异,将语料库根据词性和词性组合划分为名词集、动词集、名词动词组合集、其他词集（形容词和副词组合集）,PSC-LDA模型在不同数据集上构建模型,采用Gibbs采样算法估计模型参数,进而获得数据集的文本-主题混合概率分布。基于复旦大学李荣陆提供的文本分类语料库,通过实验确定了PSC-LDA模型的最优词集和最优主题数目,实验结果表明,PSC-LDA模型的建模时间比标准LDA模型降低了39.44%,建模所需的训练数据的维度降低了37.74%。提出一种基于PSC-LDA模型与SVM算法的中文多类文本分类方法,即PSC-LDA_SVM方法。该方法能有效地从大规模文本中挖掘潜在主题信息,具有较强的降维和特征表示能力,同时能够较好地解决线性不可分、局部最优等问题。基于此,进一步将PSC-LDA_SVM方法与PSC-LDA_KNN、LDA_SVM、VSM_SVM方法的文本分类性能进行对比,PSC-LDA_SVM方法的宏准确率分别高于其他三种方法4.6%、4.3%、5.3%,宏召回率分别高于其他三种方法4.9%、5.5%、7.1%,宏₁值分别高于其他三种方法4.9%、5.1%、6.5%。