本文主要研究了文本分类和聚类的相关算法，分析了其中的若干关键技术和难点。首先，介绍了基于向量空间模型的文本表示方式和相应的特征权重计算方法，并对几种较好的特征选择方法进行了对比分析；然后，着重剖析了两种性能优秀的分类算法：KNN和SVM，并从理论和实验上对两者进行了对比，分析了各自的优劣，并最终选择了较稳定的KNN算法应用于实际的系统。为克服KNN算法分类速度较慢的缺陷，本文提出了使用语义中心代替KNN算法中样本实例的方法；语义中心的构造采用了文本聚类的方法实现，其中对适合文本聚类的最近邻聚类算法的整个流程和细节问题作了详细的阐述，并使用了动态调整相关参数的方法来优化聚类质量；特别是针对聚类初始中心点的确定，本文对已有的算法进行改进，并给出了详细的算法流程等。最后，本文针对不同规模的语料，对上述算法进行了实验验证，结果表明采用基于语义中心的KNN分类算法，在保证分类准确率的情况下，系统分类速度大大提高。