语言文字是信息的首要载体。人们日常工作中的信息,绝大部分是以语言文字表达、记载、传播和交换的。因此,随着计算机和因特网的推广应用,由数据处理、信息处理发展到知识处理,对语言文字处理要求的深度和广度越来越高。而要从大规模的网络信息中抽取有用的信息资源,对信息处理的智能性、速度和精度都将提出极为严格的要求。文本过滤所研究的内容就是如何准确地表达用户需求,进而在大规模的信息流中自动地筛选出满足用户需求的信息,使人们更有效地利用信息资源。以往文本过滤的研究主要集中于主题性过滤,然而随着网络的发展,倾向性文本过滤在网络信息安全方面的作用越来越大。由于以往采用基于统计的文本过滤技术对具有倾向性的文本进行过滤的效果并不理想,原因在于基于统计的方法忽略了文本中的语义约束,无法有效识别倾向性信息。本文简要介绍了文本过滤的背景,系统地探讨了文本过滤与文本检索及机器学习等领域的紧密联系。通过分析情境在文本理解中的作用,确定了文本与情境模型间的关系和文本特征与情境模型的相关性,进而提出了一套适用于文本过滤的方法。目前对倾向性过滤研究较少,且一般采用主题性过滤的方法,效果不佳。而本文的倾向性文本过滤,充分利用了领域知识,采用了语义模式分析技术,建立了丰富的语义分析资源,包括各种辞典,规则,权重表示,有效的对具有倾向性的文本完成过滤。在文章的最后,我们提出了基于文本倾向性的信息过滤的方案,对其中的具体细节进行了详尽地阐述,构建了一整套从表示到权重的函数结构,并给出了实验结果,实验证明该系统具有良好的过滤效果,且速度较快。与传统的统计方法相比取得了不错的效果。