随着Internet网络信息的激增,使得人们在面对海量的信息时感到束手无策,难以选择,而传统通过人工手段对庞大的原始文档集进行组织和整理的方法,不仅费时、费力,效果也不理想。于是为使用户从繁琐的文档处理工作中解放出来,更加便捷地认识和区分不同的文档内容,使大量的繁杂的文档条例化和系统化,并能极大地提高信息的利用率,自动文本分类作为一项具有较大实用价值的关键技术被提出,有着广泛的商业前景和应用价值。在本文中,我们针对传统的基于关键字的向量空间模型忽略了文本中语义信息的不足,提出了基于概念的文本表示方法,并用于文本分类,实现了一个基于概念的文本分类系统。首先,我们说明了本文的研究背景及意义,分析了目前国内外自然语言处理语义层的各种方法,以及利用WordNet来研究文本分类的研究现状和发展趋势。然后,介绍了传统的基于关键字的向量空间模型的文本分类的几个重要阶段,并着重介绍了其中的文本表示的相关技术和两种经典分类算法。接着,本文利用WordNet进行词义消歧,提出了基于概念的文本表示方法,并将该方法用于支持向量机（SVM）和K-近邻（KNN）分类器中,实现了基于概念的文本分类系统。最后,使用路透社RCV1新闻文本集合,分别在SVM和KNN分类器上进行基于概念的文本表示方法（CVSM）与基于关键字的向量空间模型（VSM）的2组比较实验。实验表明,前者在精确度、召回率和F₁测试值上都高于后者,显示出更好的分类效果。同时,我们也在相同的数据集和文本表示方法上进行SVM和KNN分类算法的比较性实验,验证了SVM在分类性能上更优于KNN。