在分类领域中,SVM因能在样本有限的情况下达到较高的准确率,并能通过将不可分样本映射到高维空间解决非线性可分问题而备受研究人员青睐。在SVM分类中,核函数和参数的选择对分类效果影响极大,但目前并没有一个统一的参数选择方法,SVM分类的参数选择仍处于经验性选择阶段。针对SVM以上不足,本文主要研究了差分进化算法,设计了一种基于自适应组合优化差分进化的SVM参数寻优算法,并将该算法应用于新闻文本的分类中。本文的具体研究工作如下:(1)研究SVM参数优化方法。通过研究核函数类型和参数取值对SVM分类性能的影响,分析了传统参数选择方法的不足,设计了一种基于差分进化的参数选择算法,利用差分进化算法寻找SVM的最优参数。(2)设计一种改进的差分进化算法。针对标准差分进化算法易早熟收敛这一问题,本文设计了一种自适应组合优化差分进化算法(ACODE),并采用基准函数测试该算法的有效性。实验结果表明,改进的差分进化算法寻优精度更高,收敛更快,可避免算法陷入局部最优。(3)设计一种基于自适应组合优化差分进化的SVM参数寻优算法(ACODESVM)。由于SVM的参数取值对分类性能影响较大,因此,本文将改进的差分进化算法应用于SVM的参数寻优中。最后通过采集搜狐新闻文本构建模型进行文本分类,结果表明ACODE-SVM算法的分类精度可达82.5%,对比传统寻优算法,该算法可有效提升分类效果。