非负矩阵分解（Non-negative Matrix Factorization,简称NMF）方法是一种新的降维方法,该方法具有可解释性、直观上的“局部构成整体”等特性,有着广泛的应用前景。本文针对NMF方法的初始化问题及其在中文文本挖掘中的应用,主要研究内容有:1、分析总结了NMF方法的理论体系对NMF方法的产生、发展过程、解析性质等方面的内容进行了研究,总结了该方法目前需要研究和解决的问题。研究分析了NMF方法解的存在性、唯一性、收敛性、稳定性问题。2、提出三种初始化方法针对NMF方法存在的初始化问题,提出三种初始化方法:PCA、有监督PCA和模糊平均聚类。讨论了三种初始化方法的理论,对其在具体使用过程中的技巧进行了说明和论证,解决了PCA、SPCA的大矩阵分解问题。多类文本分类的实验结果显示,与随机初始化方法相比,三种方法都不同程度的提高了分类效果、增强了结果的稳定性,其中SPCA方法要优于其它初始化方法。3、提出了新的文本特征选择方法一改进互信息方法对中文文本挖掘的一般处理过程和特征选择方法问题进行了深入研究。提出新的特征选择方法,实验结果显示,与传统方法相比,本文提出的方法有较小的计算复杂度和好的分类效果。4、将NMF方法成功应用于中文文本挖掘中将NMF方法与文本挖掘过程中其它几个常用的降维方法,随机投影、概念索引、潜在语意索引方法,进行实验对比。实验结果显示,使用了初始化方法的NMF方法具有计算速度快;分类结果准确度高、稳定性好;便于处理大规模文本数据等优点。在网络资源搜索中的搜索结果聚类问题中,与传统的Lingo算法相比,NMF方法在类别标签的确定过程中避免了由抽象概念到候选概念的转化,从而更直接更方便,这充分利用了该方法的非负性和可解释性。