在信息爆炸式增长的时代,个性化信息获取需求愈加强烈,如何从庞大的信息库中获取所需要的有价值的个性化信息极其重要,应运而生的信息分类及检索技术需求增加。在文本分类挖掘处理方面,技术应用成了关键问题。在中文的文本处理方面,计算文本相似度是一个很广泛的研究热点,经常应用于信息文本检索、人工智能服务、相似性排查等方面,如何提高文本相似度检测方法的准确性是一个值得深入研究且极具实用价值的问题。目前,解决这类问题有几个很流行的算法:向量空间模型算法(VSM),这类算法没有考虑文本数据中语义相似词语的存在,也无法解决语义相似词语对算法准确性干扰的问题,这样使得文本相似度计算准确性不足;隐性语义索引(LSI)算法,主要使用奇异值分解(SVD)分解文本文件,也不能解决语义相关性的问题;KNN算法是一种非参数的文本分类方法,因其简单、有效的特点被广泛应用于机器学习领域,但是其时间成本及运维效率相对较差;最大词组组合算法能快速有效的进行分词,但对于语义相近、文字差别较大的词组无法做到精确分类,同样无法解决语义相关性的问题。本文提出一个新的解决方案,将词语的语义相似度加入到文本相似度算法中,并对算法复杂度进行分析,提出基于语义的文本相似度新算法,提高算法的准确性。本文深入分析现有的文本相似度相关研究成果,并且在已有成果的基础上加入词语的语义相似度影响。知网是比较优秀的中文语义相似度参考,本文使用传统VSM算法、词组相似度算法与加入语义相似度的文本相似度算法进行比较的方式,数据集选取的是某高校论文,同时为证实理论的准确性又进行了进一步的实验和分析。实验证明,与传统VSM算法相较加入语义相似度的文本相似度算法在验证文本相似中表现出优秀的性能,既可以精准的判断文章的相似,又不会对不相似文章进行误判;与已有最大词语组合算法相较加入语义相似度的文本相似度算法在计算时间上优于最大词语组合算法,并且在计算性能上,也要更稳定于最大词语组合算法。本文提出的新算法相较于传统算法和最大词组组合算法更具有有效性、无差异性、准确性。