随着信息技术的快速发展,信息海量增长,如何从大量数据中获取有用信息是人们急需解决的问题。信息多数是以文本的形式出现,而中文是世界上使用人数最多的语言,所以研究中文文本分类具有重要意义。文本分类可以高效的组织和管理信息,实现快速、准确的定位信息,有效的缓解了信息混乱无序的现象。文本分类的问题是维数高、稀疏性大和特征关联度高,而支持向量机在解决这些问题上具有很大的优势,因此,支持向量机广泛应用于文本分类中。但是,支持向量机也有一些缺点,例如,样本数量增多导致分类速度变慢,参数对算法的学习性能和泛化能力影响较大。目前传统的支持向量机参数的寻优方法存在一些缺陷,比如搜索能力较弱和准确率不高等问题。本文针对以上问题,在优化支持向量机参数方面进行了详细的研究,以达到提高文本分类的准确率和减少分类时间的效果。本文的主要研究内容如下:首先,论文系统的概述了文本分类的研究背景及意义,海内外研究和未来的发展前景,介绍了文本分类的相关理论和关键技术,对比了文本分类中常用的算法。通过实验证明,SVM是分类效果相对较好的算法。然后,针对支持向量机参数选取困难的现象,本文引入了萤火虫算法,并对其进行改进,将改进后的算法来优化支持向量机参数。通过实验进行对比,验证了改进后的萤火虫算法在早期全局搜索能力增强,在后期收敛速度加快,提高了算法的性能。其次,将改进后的萤火虫算法应用于SVM参数优化中,并将优化后的参数应用于训练SVM模型中。最后,通过实验对比标准支持向量机和改进后萤火虫算法优化的支持向量机在文本分类中的效果。实验结果显示,改进的支持向量机模型应用在文本分类时,分类速度加快,分类的精准率明显提高,增强了支持向量机的分类性能,验证了改进算法的有效性。