高精度的垃圾邮件过滤技术是最近自然语言处理的研究热点、在这篇论文中我们在与指导机器学习（Supervised Machine Learning）的框架下使用统计的方法研究垃圾邮件过滤问题、本文系统地研究了不同统计特征选取的方法和特征集大小对常用分类算注性能的影晌。特别地，本文观察到特征选取函数的重要性随分类器的不同差别很大。以常用的朴素贝时斯（Naive BayeS）分类器为例，我们观察到其性能在小特征集上受特征选取函数影响很大。支撑向量机（SuPPort VeCtor Machine），AdaBoost和最大嫡模型在邮件分类上取得了很好的效果：对特征选取函数不敏感，很容易扩展到高维特征空间，在不同测试集上的分类效果稳定。此外，试验还表明简单的“bag of words”过滤模型对垃圾邮件过滤有很好的效果，尤其拥有与语言无关的特性。我们对中文语料进行了简单的预处理（分词）之后就取得了很好的分类效果。试验中还发现邮件信头中的特征对分类效果有显著影晌。在仅使用邮件信头中的特征的情况下，我们在四个测试语料上取得了98％的分类准确车。这意昧着邮件信头的特征可以被用作高效垃圾邮件过滤特征。