数据挖掘是当前国际学术界一项前沿的研究课题,它融合了数据库、人工智能、机器学习、统计学、智能计算、认知科学等多个领域的知识,是数据库研究中很有应用价值的一个新方向,对各个行业领域的决策具有极大的指导作用。文本分类是数据挖掘领域中重要分支之一,其任务是对未知类别的文本进行自动处理,判断它们所属的预定义类别集合中的类别。随着网络的飞速发展和各种电子文本数量的迅速增长,有效的信息检索和过滤等变得越来越困难和重要。文本分类便是一个有效的解决办法,它已成为一项很有实用价值的技术。目前,已经有很多机器学习算法在文本分类领域中得到应用,并取得了一定的成果,比较普遍典型的是类中心向量法。但是这些算法大部分都是基于统计计算的,缺乏反馈体系机制,忽略了文本整体的有机性和文本之间的联系性。同时,这些算法几乎都是在单层次上做一次终结式分类,没有考虑到文本类别的逐层分类。为此,本文在对模糊认知图的概念、特性以及它的知识表示和推理机制进行初步研究的基础上,根据模糊认知图中各节点相互关联和文本整体有机性结合起来,通过充分考虑特征项之间、特征项与类别之间、类别与类别之问的因果关系和相互影响,提出一种基于模糊认知图的文本分类推理算法,采用迭代推理体现反馈机制,它特别适用于训练和测试文本数量不多的情况以及交叉学科、新兴学科。同时,在常规中文文本的单层次分类基础上,本文提出了基于大类小类(父类子类)的文本类层次树的概念。而在每一层上,采用类中心向量法和基于模糊认知图分类推理算法组合的分步补充的分类方法,从而构造出分步文本层次分类模型和算法(即SHTC),并对此进行了实验验证。结果表明,该方法可以有效提高文本分类的精度和效能。