随着互联网等信息技术的迅速发展,网络信息以文本、音视频、图像等为载体不断增长,形式、类型、内容等方面的规模日益增大。面对海量的信息数据,如何高效地挖掘出所需要的内容,对数据进行规范化管理,为分类决策提供参考依据成为了人们关注的重点。文本自动分类技术能够在大量复杂的数据集中快速精确地找到信息的位置,为信息的处理提供了极大的帮助。随着机器学习和深度学习等技术的广泛应用,如何利用机器学习方法改进文本分类技术,有效提高分类器的分类效果成为当前的主要问题。首先,本文对文本分类的过程及技术做了系统的描述,对文本分类的关键内容和主要步骤给出了说明,分析总结了预处理、表示模型、分类器设计、性能评价等相关技术的特点。其次,针对表示模型中冗余特征形成的维度灾难等情况,本文提出了改进的RWABC方法,利用随机游走算法对综合度量特征选择方法进行优化,过滤掉特征空间中的冗余特征,并通过人工蜂群算法寻找全局最优解,有效降低特征空间的维数。然后,为了缓解文本分布不均衡导致的类偏斜问题,提出了基于自适应加权K近邻的文本分类方法,通过计算文本的标准差来改变算法中的权值,利用收缩因子来控制文本的类密度,有效地提高了K近邻方法对样本边界问题的分类性能,通过实验得到验证。