随着Internet的迅速发展,网络中每天将产生海量的文本数据,如何从这些海量文本数据中挖掘有用的信息成为当今研究的热点。文本分类是数据挖掘技术的重要组成部分,为海量文本信息高效存储和挖掘提供了便利,因此研究具有重要的价值和意义。首先,在研究一般的文本分类模型基础之上,针对当前文本分类器在训练文本集较少的情况下容易出现过拟合现象,给出了一种基于形式概念分析的文本分类模型。该模型通过离散化文本的属性特征,构成形式背景,构建概念格,并把概念格中每个概念提取的分类规则作为文本分类的规则。其次,针对概念格分类规则提取的算法,该文给出了一种改进的提取分类规则的算法。该算法将每一条分类规则中的属性进行权重的计算,将提取的分类规则转换为属性权重之和的比较。该算法可以提取更多的分类规则,可以更好的避免因提取的分类规则太少而出现无法判别的情况。此外,在预测时,通过属性权重之和的判定比之前分类规则的判定更方便,能有效的降低判定时的空间和时间复杂度。最后,该文以卡方验证作为文本预处理时特征选择的算法,结合本文给出的文本分类模型,开发了基于形式概念分析的文本分类软件。在展示模型构建过程的同时,将其作为实验平台,利用公开的数据集:计算查准率、查全率和F值三个指标,进行了多次的实验对比。实验的结果表明,在文本训练集相对比较少的情况下,该文提出模型的也能得到较好的分类效果,相对于传统文本分类器因过拟合而导致分类能力差的情况有明显改善。