随着信息化社会的发展,来源于互联网的文本信息越来越多。如今文本数量巨大且更新速度很快,人工进行文本分类要耗费大量的时间和人力成本,因此文本的自动化分类具有重要的应用价值。文本分类的第一步是将非结构化的文本转换成结构化的语义向量,语义向量可以对文本进行降维、过滤,筛选出重要的信息,为后续的文本分类带来性能和效率的提升,但是目前构建的文本语义向量在对分类效果的提升上还有待改进。文本分类的第二步是将文本向量通过分类器进行文本分类,并输出结果,目前的常见分类器在分类的精度和运行的效率还可以有所提升。集成学习近些年发展迅速,也可以作为分类器进行文本的分类。本文构建了新的语义向量tdCHI,并将构建的语义向量输入到改进的XGBoost集成学习算法进行文本分类。本文的主要创新点如下:(1)构建了便于文本分类的改进的语义向量tdCHI。tdCHI语义向量结合了word2vec和改进的卡方检验,具有丰富的语义信息且维度较低。针对卡方检验存在的低频词缺陷问题,引入了t检验增加词频的权重;针对卡方检验的值只代表相关性,卡方值大的时候可能是负相关的问题,加入了过滤函数对结果进行过滤;针对卡方检验只考虑特征项对类别的区分度,不考虑特征项在具体文章中重要性的问题,引入了TF-IDF算法。并以实验证明tdCHI语义向量对于文本分类性能的提升。(2)针对应用于文本分类环境,对XGBoost集成学习算法做出了改进。针对XGBoost默认的处理缺失值方法没有考虑文本分类特性的问题,结合tdCHI语义向量,循环选取排名靠前的特征项填补缺失值,改进了XGBoost处理缺失值的方法。并以实验证明了改进的缺失值处理方法相比于默认的处理缺失值方法、其他常见缺失值处理方法,更能提升文本分类的准确性。然后针对不平衡样本的问题,分析了XGBoost默认得分函数的不足,并引入了宏平均,设计了新的得分函数。并以实验证明了设计的得分函数不论在平衡样本还是不平衡样本的情况下,都具有较好的文本分类性能。最后在总体实验中证明了基于tdCHI语义向量的XGBoost集成学习分类器,能够提升文本分类的性能,并拥有较好的运行效率。