随着科学技术的日新月异，特别是互联网的快速发展，各种信息情报激增，人们可以通过各种手段快速获取大量的文本资料，但是如何对所获取的资料进行科学而有效地管理，如何运用计算机对文本进行自动分类是摆在人们面前的一个不可回避而又很有意义的课题。支持向量机作为一种强分类器，在文本分类中的应用获得了广泛的研究，成为现代信息处理的一个研究热点。本文在上述背景下，开展了基于关系权重的SVM文本分类的研究。 本文首先介绍了支持向量机的理论，并对其在多类问题中的几种组合策略进行了分析和比较。同时阐述了文本分类的一些相关知识，比如向量空间模型、文本分类评价指标等。 然后，深入分析了一种简单又常用的TF-IDF特征加权算法的特点，找出其分类精度不高的原因，在此基础上提出了一种基于关系权重的文本表示方法，通过引入关系权重，优化了文本表示，在文本向量中体现了不同特征项在不同类别中重要程度的差异，使得在此权重下不同类别的文本得到更准确的区分。同时，本文还采用六种不同的特征选择评估函数来计算关系权重，改进了文本向量的表示。 接着，本文构造了一个基于关系权重的SVM中文文本分类系统。该系统采用“一对多”的方法来进行SVM文本分类，并且在文本排重模块中，引入了一个聚类算法，通过设定一个适当的聚类半径，达到聚类排重的目的，降低了系统的时间复杂度。 最后，通过一个数码产品信息语料库进行了文本分类实验，实验结果表明：用大多数的特征选择评估函数来计算关系权重，对文本分类精度都有一定的优化和改进，其中以互信息效果最佳。实验表明基于关系权重的文本表示法，较之传统的TF-IDF文本表示法，能使文本分类精度得到提高。