随着互联网等重要应用的普及，人们在生活和工作中都在不断地获取新的信息。面对日益增加的信息量，文本分类技术为人们提供了一种高效地自动管理信息的方法。传统的分类算法通常假设训练数据和测试数据服从相同的数据分布。然而，实际应用中由于收集数据的时间以及途径不同，训练数据和测试数据可能满足不同的数据分布，从而对传统的分类算法带来挑战。近几年，跨领域分类被提出来解决上述问题。跨领域分类的目标是利用原数据分布（源领域）下的训练数据来帮助在新数据分布（目标领域）下训练分类器，并对目标领域数据进行分类预测。在本文中，基于迁移学习、主动学习、主题模型等技术对跨领域分类算法进行了研究。研究工作主要包括：1）提出了基于领域潜在主题相关性挖掘的跨领域文本分类算法（Topic Correlation Analysis，TCA）。在多个标准数据集上的实验结果表明，TCA算法与最新的跨领域分类算法相比取得了超过3%的分类准确度提升。2）提出了新的多领域主动学习问题。与传统主动学习问题不同，多领域主动学习研究的是如何从多个领域中选择全局最优数据进行标注，从而节约人力标注资源。针对该问题，本文提出了一个基于支持向量机全局最优化的多领域主动学习算法（Multi-Domain Active Learning，MultiAL），并结合三个重要的分类应用对提出的算法进行了实验验证。结果表明，MultiAL算法与传统主动学习算法相比能够节约至少30%的新标注训练数据数量。