互联网和信息技术的飞速发展所引发的信息爆炸对文本分类任务提出了新的挑战:建立分类器时所获得的样本相对于海量的未知数据非常有限,模拟样本的空间分布变得困难,这可能带来过拟合及数据偏斜的问题。基于张量的数据表示和学习方法能减少学习模型中的未知参数,从而能够降低模型的复杂性,增强学习模型的泛化能力,缓解学习任务中小样本问题。对于不具有高阶特性的数据,构造基于张量的数据表示方法是使用张量统计学习框架的首要步骤。本文对基于张量空间模型(TSM)的文本分类问题进行了研究,主要工作如下:(1)在研究支持张量机学习机制的基础上,分析和比较了多种TSM文本表示方法,并从理论和实验两个方面解释了这些方法的局限性。(2)提出两种基于张量的文本表示方法随机映射TSM(RM_TSM)和小类随机映射TSM(SRM_TSM),实验结果表明RM_TSM和SRM_TSM在小样本数据集上的表现优于其他的TSM文本表示方法。(3)将STM引入到多类分类方法中,根据样本分布稀疏程度和偏斜程度来选择不同的TSM表示方法及其维数。实验证明该方法能有效提高分类器的分类精度。