随着信息时代的来临,大量以文本格式存储的信息出现在Internet、数字图书馆及公司的Intranet上,基于人工智能的文本分类是处理这些文本信息的重要支撑技术。特征提取及文本表示是影响文本分类结果的关键。目前,相关主题模型(Correlated Topic Model, CTM)已成为一种有效的文本表示方法,该模型可以在不丢失重要信息的基础上大幅度地降低文本数据的维度,并且可以加快分类速度,提高分类的精度。然而该模型在应用于文本表示的过程中还存在着如何选取恰当的主题数以及怎样选取最优特征等问题。本文对基于CTM模型的文本分类方法做了较为深入的研究,主要完成了以下工作:(1)分析并总结了CTM模型应用在文本分类中的优缺点;(2)提出一种基于密度聚类的CTM模型主题数目选取方法,以优化CTM模型;(3)提出一种遗传算法与改进的互信息相结合的CTM模型特征提取方法,从而减少冗余特征;(4)基于所提出的理论方法构建了基于CTM模型的文本分类实验系统,验证了以上方法的有效性,而且为进一步开发文本分类应用系统提供了基础。最后,作者对所做的工作进行了总结,并对以后将要研究的内容进行了展望。