垃圾邮件过滤技术是互联网、通信领域近年来的一个重要研究问题，在信息安全、通信传输效率、网络资源利用、信息数据分拣等诸多领域都具有广泛的应用。随着宽带通信技术的发展，电子邮件数量迅猛增长，但同时垃圾邮件带来的危害也日益严重。目前，学术界和工业界都展开了针对垃圾邮件过滤的研究。　　本文深入分析和比较传统垃圾邮件处理方法，指出了现有的垃圾邮件过滤方法的不足，采取面向邮件内容的基于文本分类的垃圾邮件判定路线。常用的文本分类方法中，将邮件视为文本，采用向量空间模型提取邮件关键词。对应的垃圾邮件过滤方法则以关键词为基本研究对象，通过机器学习算法完成邮件分类过滤。但此类方法中，关键词往往存在一词多义、同义词等问题，导致分类检测精度不高、分类不准确。　　为此，本文提出以文本主题为研究对象，基于多个主题词构建了基于朴素贝叶斯的垃圾邮件分类方法。在邮件主题获取中，采用主题模型LDA得到邮件的相关主题及主题词;并进一步采用Word2Vec寻找主题词的同义词和关联词，扩展主题词集合。在邮件分类中，对训练数据集进行统计学习得到词语的先验概率;基于扩展的主题词集合及其概率，通过贝叶斯公式推导得到某个主题和某封邮件的联合概率，以此作为垃圾邮件判定的依据。通过与其他机器学习方法的对比实验，实验表明本文基于主题模型的垃圾邮件分类方法及基于Word2Vec的改进方法均能有效提高垃圾邮件的分类准确度。