计算机的自动化文本分类方式有基于知识工程的领域专家指导分类的研究方法,人为构造分类的方法,但是这个方法的缺陷就是过于依赖人工,凭借专家系统,不能够适用其他计算方式,还有一种是通过统计和机器学习不需要外部知识和资源,并且有较好的分类成果。所以,现在大多数人主要以第二种方式进行分析和研究工作,统计与机器学习的文本分类领域应用较广。大多数文本由于词义复杂,字义均有歧义,并主要关键字分散难以合并导致文本分类无法更好的实现,再较早的特征选择方法更是基于对关键词的前提的独立假设,只能解决关键字分散以及高维度的问题,反而忽略了文本本来的语义信息。本文从文章中的语义角度,使用了LDA模型的特征提取方法。但是LDA模型并没有考虑数据输出,只是在原来文本的输入文本中对关键词分配相应的主体,由于留下非关键字,影响了分类的效能增大了主体分布的概率。改进LDA模型有联系的理论积淀。对于LDA模型提取样本从而对整篇文本导致线性能力偏差的问题,提出了使用关键词提取方法提取有效能的词语的首次过滤方式对LDA模型进行改善,重点地描述了使用关键词的处理的相关依据和如何将其实现的过程。进行实验并分析结果。此部分对挑选关键词选择MI算法,LSI算法和LDA主题模型,这种特征提取方法结合的LDA模型,在原文本的标准数据集上分别进行了对比和讨论,我们所说的算法逻辑是正确有效的。针对这种问题这种情况,这篇文章希望将LSI与LDA两种模型相互适应的方法,先把LSI特征提炼并把输入文本对应到低微空间,只留下关键词。然后LDA在更高效和更完善的空间上进行处理标签,获得比较完全的分布图,这就大大的提高了分类效果。该论文有图12幅,表19个,参考文献53篇。