在公安业务的实际需求中,往往需要对网络上的文本信息进行筛选,也就是进行文本分类。在文本分类任务中,分类效果的好坏依赖于训练样本的数量和质量,要想获得一个有效的分类器,往往需要耗费大量的人力来对文本进行标记,同时,在很多情况下,我们所需要进行分类的文本往往是针对某一特定事件或人物的,这样的文本所占比例较低,往往很难收集到足够的训练样本。要想解决以上问题,就需要一个可以自动化增量学习的分类器。一般而言,分类器的实现有传统机器学习方法和神经网络方法。传统机器学习方法往往是基于统计学上的词语共现频率进行分类,该方法对样本数量依赖小,可以实现文本的简单分类;神经网络方法则是在语义理解的基础上进行分类,该方法对样本数量依赖大,但可以实现复杂的文本分类。针对这两种方法,本文设计了一个支持自动化增量学习的分类器系统,该系统采取了一定的策略,充分发挥了这两种方法的优势,在该系统中,首先使用少量的标记样本对多种分类器进行训练,在使用分类器进行文本分类的过程中,基于一定的规则,使用传统机器学习方法对分类结果进行筛选,生成带有一定噪声的标记样本,对分类器进行再训练,以此实现自动化增量学习的过程。经过实验证明,在新闻文本上进行若干次的增量训练后,分类器的准确度较之前提高5%-10%左右。