近几年来，随着信息的爆炸式增长，各种各样的新闻层出不穷。然而，如何将这些大量的新闻数据进行整理、分类收集、解决数据杂乱的问题，是本文主要研究的问题。人工对新闻进行分类，不仅耗费大量的人力和金钱，同时也需要大量的时间。因此有必要借助技术手段来解决新闻分类的问题，以提高工作效率。本文对新闻分类中常用的相关技术和算法进行深入的研究和分析。在分类算法上，本文研究了当前比较主流的贝叶斯分类算法，针对该算法存在的缺陷问题将进行深入研究。其次在特征提取和增量学习研究方面，本文研究目前主要的特征提取方法，重点研究了本文采用的CHI提取方法和基于朴素贝叶斯的增量学习算法，并提出了新的增量学习中文本选择方法。最后，设计了基于朴素贝叶斯方法的新闻分类模型，实现了一个完整的新闻分类系统，主要包括文本的预处理、特征提取、增量学习模块、分类器构造和分类性能评估等几个过程，利用java语言实现了整个系统。为了更好的研究新闻分类系统，实验中采用南方日报的实际新闻数据完成测试。