随着互联网以及移动互联网的快速普及和发展,互联网已经成为人们日常生活中获取和传递信息、交流主观情感的重要渠道。文本情感分类就是使用计算机强大的数据处理能力对具有感情色彩的观点、意见进行处理、分类、归纳和推理的过程。对互联网中的评论文本进行情感分析,能够发现用户的情感规律,挖掘其中的潜在价值,并应用于用户决策、评价分类、舆情监测、信息检索、垃圾信息过滤等诸多领域。本文以真实的中文影评为对象,进行了文本的情感分类研究。本文首先介绍了基于机器学习的中文文本情感分类的基础理论知识,包括对中文文本的预处理、文本表示模型、特征选择方法、特征权重计算等,重点研究了目前应用较为广泛的特征选择方法以及特征权重计算方法。其次,认真研究了 SVM算法的数学原理与建模过程,就SVM的基本方法和核函数选择等问题进行了讨论。在此基础之上阐述了 PSO算法的原理,针对PSO算法在后期容易陷入局部收敛的问题,引入了收敛因子、改进越界粒子的处理方式、引入粒子的自适应位置变异处理对PSO算法进行了改进,并通过四个Benchmark基准测试函数验证了改进PSO算法的有效性。通过UCI数据库中的Sonar数据集和Banknote数据集对比了交叉验证和改进PSO优化的SVM参数两种方法的分类精度,验证了本文提出的改进PSO算法优化SVM参数的可行性。最后,本文通过网络爬虫抓取豆瓣电影中的真实影评文本作为情感分类应用的数据基础,利用结巴分词对文本进行分词处理,通过CHI统计量对文本进行特征选择,采用TF-IDF方法进行特征权重的计算,从而得到中文影评的文本向量化表示。之后分别对SVM模型和通过改进PSO算法优化的SVM模型进行文本情感分类,利用相应的评测指标对分类结果进行性能评估,验证了新模型在文本情感分类中的性能改进。