随着互联网信息爆炸式的增长，可以方便用户快速、准确定位所需信息的文本自动分类技术变得越来越重要。传统文本分类中广泛采用的基于向量空间模型的文本表示方法中，由于其假设特征词之间是相互独立的，即忽略了词语间的语义关系，因而容易造成文本语义信息的缺失。此外，汉语是一种表意型语言，较词语的形式，其更注重词语内涵的语义，而且汉语中蕴含着大量词语语义相关关系以及存在上下文依赖现象，这些使得中文所蕴含的语义信息较其他注重形式和结构的语言（如英语）更加丰富，所以基于向量空间的文本表示模型更加难以完整描述中文文本所蕴含的语义信息。为解决上述向量空间模型中文本结构和语义信息的缺失问题。本文将复杂网络理论引入到中文文本分类过程中，将语义学理论与文本表示有效的融合，首先以词语间的词同现关系为基础构建单一文本加权复杂网络来表示中文文本，该文本表示方法除包含特征词本身信息外，还可以体现出特征词之间的语义相关关系及上下文结构信息；然后，为减少计算的复杂度，本文通过复杂网络的小世界特性进行文本特征选择，利用节点综合特性提取反映文本主题的关键词作为文本的特征词，以优化文本网络结构，降低文本网络复杂性；再次，通过引入最大公共子图理论在复杂网络表示文本表示下进行文本相似度计算，以此减少语义流失，并结合KNN文本分类思想构建文本分类模型及相应分类算法；最后，为验证本文提出的基于复杂网络的中文文本分类算法的效果，分别从特征选择算法、文本相似度计算方法、文本分类算法与相应传统方法进行对比实验。实验结果表明将复杂网络引入到中文文本分类过程中是有效、可行的。