随着通信技术的飞速发展,5G通讯的普及,电子邮件数据呈现爆发式增长。垃圾邮件日益泛滥,对垃圾邮件的分类和过滤变得越来越迫切。对于数据量如此庞大且形态多样的垃圾邮件数据的处理,朴素贝叶斯（Naive Bayes）算法起到了非常好的效果。但由于Naive Bayes算法是基于特征相互独立属性的实验原理,以及样本数据集单一的局限性,导致在实验过程不充分,数据冗余度较大,实验准确度不够高的现象。本文提出了基于传统朴素贝叶斯在垃圾文本过滤中的优化和改进策略,不仅在样本数据上弥补了数据集的单一局限性,也在特征分类策略上提出特征加权的改进策略。本文的主要贡献如下:（1）针对传统的Naive Bayes算法基于相互独立特征属性的局限性,本文提出了一种基于Naive Bayes分类模型结合分词特征加权的改进策略,根据样本数据集在多类别多特征的情况下,根据为样本数据添加信号量引入了分词特征权重的方法,对每个特征属性添加权重数值和特征分类,从而拓展了分词向量的特征提取。最后促使Naive Bayes分类模型通过条件概率计算样本后验概率从而实现分类模型对于垃圾文本的分类与过滤。（2）针对Naive Bayes分类模型的构建需要庞大的数据集对模型进行充分的测试与训练,但本文所选取的样本数据量还不够。为了解决数据集单一的局限性和模型训练不充分的问题,本文引入了十折交叉验证的建模策略,通过在数据集预处理阶段,利用交叉验证的实验原理划分标准数据集,再进行Naive Bayes分类模型的构建。通过这种策略有效解决了数据集的局限性。实验结果表明,本文提出了的方法和策略在垃圾文本分类应用中起到了明显的改进,从数据集单一局限性来看,结合十折交叉验证的方法,不仅增大了样本数据,也对分类模型的构建提供了充分的训练。从引入分词特征权重的策略有效规避了特征相互独立的局限性,并且改进的方法具有良好的执行效率,不仅降低了数据冗余,也提高了垃圾文本分类的准确度。