文本分类用电脑对文本集(或其他实体或物件)按照一定的分类体系或标准进行自动分类标记。 它根据一个已经被标注的训练文档集合, 找到文档特征和文档类别之间的关系模型, 然后利用这种学习得到的关系模型对 新的文档进行类别判断 。文本分类从基于知识的方法逐渐转变为基于统计 和机器学习的方法。

文本分类一般包括了文本的表达、 分类器的选择与训练、 分类结果的评价与反馈等过程，其中文本的表达又可细分为文本预处理、索引和统计、特征抽取等步骤。文本分类系统的总体功能模块为：

（1） 预处理：将原始语料格式化为同一格式，便于后续的统一处理；

（2） 索引：将文档分解为基本处理单元，同时降低后续处理的开销；

（3） 统计：词频统计，项（单词、概念）与分类的相关概率；

（4） 特征抽取：从文档中抽取出反映文档主题的特征；

（5）分类器：分类器的训练；

（6） 评价：分类器的测试结果分析。