随着网络和信息技术的快速发展,大规模的文本处理得到持续研究和关注。大规模文本分类面对的是巨大的文本和类别数量,高维的特征空间对分类算法带来极高的计算复杂度和空间复杂度,且影响算法的可扩展性。对特征空间有效的降维不仅可以提高分类的效率和效果,而且可以提高分类器的泛化能力,因此对特征空间实施降维是非常必要的。本文研究了文本分类的关键技术；讨论了对特征向量空间进行降维的必要性；分析了特征空间降维常用的方法；由于主流的特征提取方法不能处理高维的特征空间,提出采用迭代的CCIPCA和ICA算法,解决大规模文本分类的降维问题；针对特征选择和特征提取方法的不足,采用了一种ICA与IG组合的降维方法；用分类对比实验对CCIPCA和ICA算法的有效性和可行性进行了评估,分析了实验结果及其产生的原因。分类对比实验结果表明：基于迭代的CCIPCA和ICA特征提取方法,所需计算空间较小,可以有效处理大规模文本分类问题,在降维的基础上提高了分类效果；在相同的数据集上,在CCIPCA、ICA及ICA与IG组合降维的方法中,基于ICA降维的分类效果是最好的。