针对用于文本表示的向量空间维数过大、包含语义信息不足及向量空间中词形统计的局限性,阐述了引入概念的优势。通过介绍语义词典WordNet的结构、概念间的多种关系、概念链的定义和应用,将WordNet本体库中的每个同义词集合(synset)看作是能明确表示语义的一个概念,文本中的词条均用与该词条对应的概念来代替,即用该词条所属的同义词集合来代替,通过WordNet中的上下文关系,利用WordNet中的概念链,并引入概念的概括度和反类别频度,调整特征向量空间的权值,建立了文本的概念向量空间模型作为文本的特征向量空间模型,从而体现了文本中更抽象的语义信息。在本文中,提出了一种基于语义分析的文本分类方法,将文本分类技术和语义词典WordNet提供的知识相结合研究实现了一个文本分类系统,分类器采用朴素贝叶斯分类器。对基于语义的向量空间模型的生成步骤做了详细的论述,对基于语义的和基于词形的两种分类系统的性能做了比较实验。实验结果表明,这种概念向量空间模型取得了较好的准确率、召回率和F1值,从而验证了本文基于语义的向量空间模型的可行性和有效性。