针对文本分类具有类别和样本数目多、噪音多、各类别样本数目不均衡等特点,将模糊支持向量机方法用于多类文本分类中,提出一种基于模糊支持向量机与决策树的文本分类器的构建方法。该方法是在考虑了样本与类中心之间距离关系的同时,根据传统支持向量机中包含支持向量且平行于分类面的平面构建切球,以此来确定类中各个样本之间的关系,由样本点与球的位置关系计算其隶属度,合理地区分有效样本、噪音和孤立点样本,并将该方法与二叉决策树方法相结合,实现多类文本分类。重点对模糊支持向量机中隶属度函数的确定方法进行深入的分析与研究,针对目前模糊支持向量机方法中,一般使用样本与类中心之间的距离关系构建隶属度函数的不足,提出了一种改进的有效地反映样本不确定性的隶属度确定方法——基于双超球的隶属度函数。该方法通过样本的类中心与传统支持向量机的分类面构建两个超球,根据样本点与这两个超球的位置关系计算其隶属度,并且将隶属度与样本到类中心的距离之间表示成非线性关系。最后,通过在Ruters—21578文档集上的实验,证明了这两种方法能切实有效的解决文本分类问题,与传统支持向量机方法和基于样本与类中心点的线性距离的隶属度函数模糊支持向量机分类方法相比,基于模糊支持向量机与决策树的文本分类器能够有效区分有效样本和噪音、孤立点样本,有较好的分类效果。在使用的三种隶属度函数中,基于双超球的模糊支持向量机方法抗噪性能最好,分类性能最强。