随着互联网的迅猛发展,传输数据的规模呈现爆炸式发展,以手机、平板等为终端的移动互联网传递的信息以短文本为主,这使得信息数据处理变的异常困难,人们难以迅速找到自己需要的数据。如果能够将这类数据进行有效地分类,那就大大便于人们查找数据,并可对分类好的数据进行分析,做出相应的评估和预测。短文本分类作为文本数据挖掘的一部分,目前已经广泛运用于微博热点追踪、产品售后分析等领域,短文本分类越来越受到人们的重视。本文介绍了短文本分类的意义,分析了国内外对于短文本分类的研究现状。同时,对短文本分类过程中主要的环节,包括预处理、中文分词、特征选择、性能评估等,进行简要的介绍,对文本分类的整体流程进行了系统介绍。对传统文本分类技术的特征提取方法进行了剖析。针对其存在的特征稀疏、语义缺失严重等问题,结合LDA模型,提出了基于LDA模型特征扩展的特征选择的方法。利用大文档集训练出LDA模型,得到“文档-主题”概率分布和“主题-词”概率分布,选择最大概率主题下的词,将其扩充到短文本特征集中。在选择最优主题时,困惑度指标会导致LDA模型主题过多,主题辨识度不高,由此引入从主题相似度与困惑度两个方向考察最优主题数即Perplexity-Var指标,设置了三组实验进行对比,实验说明了基于LDA特征扩展的方法有效性。并针对支持向量机算法准确率较低和泛化性能较差的问题,提出了基于成对约束采样的集成分类算法。通过成对约束采样方法,加大各个训练集的差异性,依据类离散度选取训练集,最后通过Bagging算法训练出集成分类模型。设置了三组实验进行对比,结果证明了此集成算法有更好的准确率和泛化性能。