在信息爆炸的时代,面对浩如烟海的信息,怎样有效地组织和管理这些信息并且快速准确地获得所需信息仍是一个亟待解决的问题。文本自动分类是一个有效的解决办法,它能够处理大量的文本,较大程度解决信息紊乱的现状,帮助用户方便准确地把握所需要的信息。支持向量机(SVM)是建立在结构风险最小化原则以及VC理论基础上的一种机器学习算法。由于它对特征相关性和稀疏性不敏感,对高维问题的处理具有较大的优势。因此,支持向量机在文本分类上具有应用前景。然而,使用支持向量机进行分类时总会出现在分界面附近的样本分类精度不高的问题。针对该缺点做了进一步的研究提出了一种改进K近邻的支持向量机算法。通过计算一些已知类别样本在不同阈值下的分类情况来自动确定最优阈值;同时将改进的加权KNN算法融合到支持向量机中力求在不增加支持向量机算法时间复杂度的基础上,减少分类超平面附近样本的错分率。最后,将改进算法应用到新闻分类系统中,实现新闻信息的文本归类,方便了用户阅读和浏览新闻。