文本分类是文本挖掘和信息检索领域的一大重点基础技术,其效果严重的依赖于文本特征提取的好坏。因此如何利用较好的学习方法(如深度学习)得到一个好的特征表示,从而在分类时提供更有价值的信息成为了当前的研究热点。本文的研究重点是如何更好的进行文本的特征表示和特征选择。本文的主要工作如下四个方面：1)研究并实现了四种经典的文本特征选择算法。提出了一种基于特征统计量可靠性度量的特征选择改进算法,该算法改善了特征项统计量对随机噪音的抗干扰能力。实验证明该算法能够改善经典特征选择方法。2)从词向量角度分析了基于LDA和半监督LDA的文本特征和分类方法,提出并实现一种基于LDA词向量的特征选择方法。通过利用特征词在主题上的分布情况来评估该特征词对分类的价值。实验证明该方法具有良好效果。3)实现了两种基于深度学习的文本特征算法。一种是基于Word2vec工具的深度学习算法,利用该工具学习出的词向量可提升分类效果。另一种是基于堆叠式去噪自编码器(SDA)的深度学习算法,在跨领域情感分类的实验中,SDA比直接跨域分类的效果更好。4)提出并实现了基于词激活力(WAF)的文本特征赋权及文本特征选择算法；同时提出一种WAF关联词对特征,并设计出相应的特征选择算法。该方法考虑了特征词间的关系信息,改善了VSM模型的特征独立性假设缺陷,NEWSGROUP数据集的上的实验结果证明了上述算法的有效性。