随着互连网络的迅速发展，人们获得越来越多的网络信息，但同时也存在着很大的负面性，如各种迷信、色情、暴力、反动和其他非法信息的传播，内部网中机密信息的泄漏等，都已成为人们日益关注的焦点问题。传统的过滤技术，如基于关键字或基于IP地址的过滤等，不能有效的解决这些问题。 本文对文本分类和信息过滤技术进行了研究，提出了一种多特征选择方法。将机器学习和信息过滤技术相结合，设计出了自适应信息过滤系统。本文主要工作如下。 (1)概述了信息过滤的发展历史、研究现状和实际意义，以及数据挖掘、文本分类等相关知识。 (2)分析了信息过滤的相关理论。文本分类是信息过滤的基础，文章详细介绍了文本分类过程，文本预处理、特征选择、文本表示模型和分类算法等关键技术。对信息过滤的主要方法、信息过滤系统构成和模型也作了重点介绍。 (3)详细讨论了几种常见的特征选择方法。通过实验，对各种特征选择方法的效果进行比较，分析了影响文本分类器性能的几种因素。在此基础上，我们提出一种新的特征选择方法，即多特征选择法。实验证明，利用多特征选择方法进行文本分类，其精度优于任何一种单一特征选择方法。 (4)本文最后设计并实现了基于向量空间模型的自适应信息过滤系统。本系统对传统的信息过滤系统进行了自适应改进，通过修改过滤模板算法，让系统根据用户的反馈信息，自适应地调整阈值，达到提高过滤质量的效果。实验结果表明，改进后的系统过滤性能有明显提高。