互联网技术的快速发展为人类提供了一个源源不断的信息源,面对海量的信息资源,如何利用自动化的方式快速、精准地从海量的中文文本中提取出对用户有价值的信息,已成为自然语言处理领域中的核心的研究焦点之一。云计算的迅速变化为海量中文文本数据的分布式存储和挖掘分析带来了优势和友好的条件。该中文计算系统的存储是HDFS文件系统,HDFS文件系统拥有的吞吐率高和容错性好等一连串的特点,此与大数据挖掘分析的要求也很相符。本研究选取Spark用做数据分析处理的平台,由于Spark具有Apache Hadoop和MapReduce的两者优势,还有Spark因基于内存的计算引擎框架,此对迭代计算和机器学习算法效率提高有帮助。在这项研究中,朴素贝叶斯(NB)和逻辑回归分析(LR)被用于并行的中文文本分类,并对NB算法进行了优化,建立了自己的优化分类模型,最终在Spark平台上并行优化实现。其中的工作主要包括:针对海量数据的特征需要进行了一系列的预处理工作,本实验对于海量的文本数据的特征建立了改进的文本分类TNBIF模型。首先对文本数据进行去除噪声信息,句子分割,并进行分词和词性标注处理,对数据进行清洗过滤只保留指定词性的单词(如名词、动词、形容词),它们便是候选关键词构成候选关键词图。本研究选取TextRank算法,用于中文提取特征中文关键字,可以达到降低维度的目的。针对朴素贝叶斯分类算法中中文特征词后验概率计算方法的改进优化,克服普通贝叶斯未考虑某一类特征词个数在整个数据集所占有的比例,此类中含有该中文特征词的文档数在全部的数据集中拥有该特征词的文档的比例,本实验引入了权重值或者影响系数。改进的文本分类模型TNBIF算法模型在分布式框架下采用Spark集群环境来优化实现。在本研究中,我们设计并实现了用于大规模中文文本分类的并行化改进的朴素贝叶斯算法和逻辑回归算法。本实验选用了复旦大学语料库和搜狗语料库,在预处理阶段时,这两个文本语料库选择TextRank算法用于提取中文关键字和降维。本实验使用内部python程序进行顺序文本预处理,然后本实验应用词加权的并行计算,即TF-IDF。最后在基于Spark的NB和LR中提出并行分类。LR与NB相比,LR使中文文本语料库的准确率达到93%,并且使得同一语料库的准确率平均提高了4.03%。最后该实验在Spark集群中测试实验的最佳影响系数、分类精确度、召回率F值以及时间性能和加速比,实验结果分析表明,TNBIF模型要比其它分类算法结果要优,此模型在Spark平台上表现更加明显。