文本自动分类是在给定的分类体系下,让计算机根据文本的内容确定与它相关联的类别。向量空间模型(VSM)是进行大规模文本处理的最通用模型。为了提高分类性能,本文研究和改进了基于向量空间模型的特征词权重计算方法,同时提出了一种基于类别均衡的k近邻(kNN)分类算法。词语权重计算方法的改进是在TF×IDF算法的基础上,综合考虑了特征词在分类中的重要程度和文本中不同位置的特征词反映文本内容的能力,并引入了特征词的信息量和位置信息概念。弥补了以前的算法虽然考虑了特征词在文本集合中的词频和分布情况,但是并没有考虑分布的比例情况,以及忽略了特征词的不同位置对文本的重要性不同的缺陷。基于类别均衡的kNN分类算法是对原始训练集以类为单位进行重新组合,使得小于特定阈值的相似的小类别合并为大类别,并作为大类别的子类;同时将大于特定阈值的大类别通过聚类算法划分为若干小类别,使这些小类别成为该大类别的子类。以每个子类的中心作为类别的代表点,并根据文本到不同类别代表点的余弦距离之和进行分类决策。重组后的训练集类别分布更加均衡。在分布均衡的类别上进行训练和分类,进一步解决了文本集的多峰分布、边界重叠以及忽视小类别的问题。