随着通信技术和计算机技术的飞速发展,信息处理已经成为人们获取信息和知识不可或缺的工具。文本分类是信息处理的重要研究方向,它是指在既定的分类体系下,根据文本的内容自动判别文本类别的过程。粗糙集理论是一种研究不完整、不确定知识和数据的表达、学习、归纳的理论方法。它在不影响分类精度的前提下通过信息约简,去掉冗余信息,得到显式的文本分类规则,简化信息的表达空间维度。支持向量机是一种基于统计学习理论的方法,它遵照结构最小化原则,在统计样本较少的情况下获得良好的统计规律和泛化能力,为解决小样本学习问题提供一个框架,但是由于庞大的文本特征维数,支持向量机的性能也经常会受到限制。因此本文采用了一种粗糙集和支持向量机相结合的文本分类方法,即利用粗糙集属性约简减少属性数,然后用支持向量机进行训练,再利用训练得出的分类知识对新文本进行分类,通过两者有机的融合增强了它们在文本分类中的实用性。本文沿着“文本分类理论粗糙集理论支持向量机理论基于RS-SVM分类方法的提出将RS-SVM分类方法应用到文本分类中”的思路对文本分类研究内容进行了介绍。在仿真过程中,提出了改进的Johnson贪婪算法,通过查全率和查准率的比较,表明改进的RS-SVM具有较好的分类精度。针对语料库的不同类别样本集的数量差异问题,本文对语料库进行了再分类,使得分类结果更加准确有效。结果表明,基于RS-SVM的方法在中文文本分类上具有一定的优越性。