随着信息技术的迅猛发展,网络上每时每刻都会产生大量的文本数据,传统的人工管理方法已无法满足社会的需求,所以快速高效的自动文本分类技术成为人们研究的热点。虽然文本分类技术被广泛应用在垃圾邮件过滤、搜索引擎和信息管理等方面并获得快速发展,但是实际的分类性能还比较低,在分类准确率和效率上仍然有很大的改进空间。本文主要针对特征选择和文本分类模型的构建两方面展开深入的分析研究,并取得如下成果:1.提出一种优化的加权朴素贝叶斯并行化分类模型。在利用信息增益构建特征集的过程中加入词频调节因子,剔除特征集中高频的冗余特征,选择具有强区分度的特征构建特征集;使用蚁群算法对权值进行迭代优化,找到全局最优解,构建IA-WNB分类模型;分别在特征选择、模型训练、模型验证三方面结合MapReduce框架,设计并行化作业完成对web文本数据的分类任务。通过设计实验验证,IA-WNB分类模型能够有效提高对web文本的分类效率,并且在并行化设计中既能保证准确率又能够缩短运行时间。2.提出一种基于语义扩展的卷积神经网络并行化分类模型。由于web短文本数据集具有语义模糊和特征稀疏的特点,因此通过构建{主题-特征}二元组的方法对文本特征达到语义扩展的目的,将二元组作为CNN分类模型的输入数据,利用卷积神经网络分类模型进一步优化数据特征,使用Softmax函数进行分类;然后将构建特征二元组和参数训练的过程中分别结合MapReduce框架,在数据预处理和分类模型的参数调优两部分完成并行化设计。通过设计实验验证,基于语义扩展的卷积神经网络分类模型在处理web短文本数据时,分类模型的准确率和分类效率均有所提高。