本文对建立多层次大类别数文本分类系统进行了研究，分析了其中的各种关键技术和难点，并提出了相应的解决方案。文章首先针对特征抽取问题进行深入研究，比较了目前常用的几种特征抽取方法，并提出了一种适合中文环境的DF+CHI的组合特征抽取方法，进一步提高了分类器的性能。针对项目采用《中图图书馆图书分类法》的分类体系，其中各个分类类别按层次树状结构组织且分类数目很大，而且对分类的速度和精度都有很高的要求的特点，选择性能好的支持向量机(SVM)作为分类器，能够有效地避免经典学习方法中过学习、维数灾难、局部极小等问题，而且在小样本条件下仍然具有良好的泛化能力。文章同时采用有向无环图支持向量机(DAGSVM)和最大投票法(Max Wins)相结合的技术实现分类器的组合，既能准确定位分类类别，又能形成分类类别的相似度列表，为分类系统提供了更高的灵活性，同时采用有效的缓存机制解决了资源管理问题。为了进一步提高SVM的训练速度，本文在分析现有训练算法的基础上提出了三元序贯解析优化(3SAO)训练算法。由于该算法选择了比SMO更大的工作集而没有增加过多的计算，总的优化步骤减少，收敛速度也更快，平均训练速度约为SMO的两倍。文章最后用真实语料进行测试，系统表现出了很好的召回率和准确率。