互联网的信息以爆炸式快速增长,这些以文本为代表的海量数据包含了大量有价值的信息,而现有的多数分析工具无法快速有效地分析这些数据,从而失去了实时数据价值。而大量出现的短文本也对文本分类带来了新的挑战,因此,必须找到基于机器学习的快速智能处理海量文本数据的方法。一方面,多核并行和分布式计算存储技术正是解决该问题的重要方式,通过在机器集群上实现并行算法可大大加速处理过程。另一方面,还必须以信息论和统计语言模型为核心,通过分词,特征提取,分类器等工具,灵活智能地研究文本特征,以实现有效信息的提取和分类。.本文通过对文本分类的基本过程,包括预处理,文本向量化,特征提取,分类等进行了分析,重点论述了支持向量机和贝叶斯分类器的原理和并行化,并进行了性能测试；详述了广泛使用的分布式架构Hadoop和其存储解决方案；分析了文本情感分类器的原理,优化与性能测试结果。本文的研究内容与创新点包括：将自然语言处理,信号分析和并行计算紧密整合,分析社交网络的海量数据；提出了一种利用二叉排序树和哈希算法的优化策略,该策略充分利用多核计算资源,从而大大提升了文本情感分类的效率；对短文本的特点进行了深入分析,并对长文本语料(新闻)与新媒体短文本语料(微博等)进行对比测试,指出了短文本处理中需要注意的问题。海量数据文本分类适用于当前大数据时代的主题,能够广泛应用于自动信息处理,社会行为监控监测等领域,具备广泛的理论背景和较强的工程意义。