信息技术和网络技术的发展的同时也带来了信息海量增长,因此如何将信息有效的分类以便人们更加高效的利用信息是一项艰巨的任务。文本形式的信息广泛应用于信息检索、文本数据库、数字图书馆、垃圾邮件识别、信息过滤和微博主题挖掘这些贴近人们生活的领域中。本文以中文文本分类领域为背景,首先分析了中文文本分类领域的发展现状,针对现阶段存在的问题,改进了基于半监督学习的中文文本分类算法。改进后的文本分类算法弥补现有文本分类算法的缺陷,并发挥半监督学习在少量训练样本下训练的优势:可以在尽量保持分类算法的分类正确率的前提下,减少文本分类过程中人工的参与。本文的基于半监督学习的中文文本算法具有如下几个特点:引入基于密度的聚类算法,并将主题类别数目自确定问题映射到基于密度聚类的类别数目确定问题中,使用基于密度的聚类算法OPTICS对文本向量进行聚类从而确定类别数目;使用LDA主题模型作为聚类器,利用其计算结果自动对样本进行标记,解决了有标签训练样本获取问题;在Tri-Training协同训练框架下,训练完成后在分类时使用了加权投票分类方法,扩大了传统分类算法的适用范围。本文对半监督学习文本分类算法的整体流程并对其效果进行了实验和分析。结果表明本文给出的方法在实际应用取得了良好的效果,对中文本文分类技术的进一步研究也具有一定的借鉴作用。