随着World Wide Web的迅猛发展，网上文本信息资源以指数级的速度增长，如何快速有效地将文本按其内容进行分门别类的整理，便于人们利用这些海量文本，变得越来越重要和困难。因此，研究文本自动分类技术具有很重要的现实意义。本文在广泛研究现有文本自动分类方法的基础上，发现人工神经网络具有很强的自学习性、自组织性、联想记忆功能和推理意识等，在文本自动分类上有着独特的优势。目前较多地应用于文本自动分类领域的人工神经网络方法是BP(Back Propagate，反向传播)网络，但它存在着局部极小和收敛速度慢等缺点，在一定程度上影响了自动分类的效果。RBF(Radial Basis Function，径向基函数)网络与BP网络相比，具有较高的运算速度，特别是它的较强的非线性映射能力，能以任意精度全局逼近一个非线性函数，使其在很多领域得到了广泛的应用。基于以上原因，笔者设计和实现了基于RBF网络的中文文本自动分类。本方法的主要设计思路是：首先，从已有文本中随机抽取部分文档，并按事先设定好的类别归档建立训练语料库。接着建立切分词典对训练语料库进行词条切分，去掉停用词和标点符号，并进行词频统计。然后计算每个词条与各个类的互信息(即：词条与各个类的相关程度)，以“类”为单位，抽取其中一部分词条作为某类特征词条。根据每个特征词条与每个类的相关程度(即：互信息)进行编码，对每个文本中包含的所有特征词条进行编码，进而对文本样本进行编码，使其成为计算机程序可以识别的训练输入向量。最后建立RBF神经网络文本分类器并初始化网络。用训练集训练RBF文本分类器，直至整个网络的训练满足一定的收敛条件。至此，基于RBF网络的中文文本自动分类器完成建立。本文设计和实现的基于RBF网络的中文文本自动分类取得了较好的分类效果，在选择不同的基函数半径(r)的情况下，分类准确率一直能保持在85％附近的较高水平。总之，通过对RBF网络在中文文本自动分类中的应用效果和应用潜力的初步研究，发现RBF网络在逼近能力、学习速度和分类能力方面的表现均优于BP网络，是一种值得继续研究和探讨的文本自动分类方法。