由于人们获取电子文档的能力不断增强，管理这些文档的需求也不断增加，人们对文本自动分类，即将文本自动分入预先定义的类别结构中的兴趣正迅速高涨。而文本分类中的一个重要问题就是特征选择，其目的是改善分类效果、提高计算效率、或者两者兼得。由于现实中的文本数据集往往存在着类别不均衡性以及特征稀疏性等特点，因此通过衡量特征与类别结构关系的不同侧面来判断各个特征的类别性质的过滤式方法会表现得比较差。此外，它们要么仅仅选择与类别相关的特征，要么在选择相关特征之后添加一个冗余性分析步骤。显然，这样的方法是会丢失具有交互作用的特征的。本文将特征选择放在训练的过程中，通过学习的方法从一个带标签的文档集中学习类别结构属性，进而选择出最优的特征子集。我们给出了一个生成模型，通过引入一个两值“排除包含”的潜在向量来处理特征选择问题，最后使用一个高效的Metropolis搜索的方法来更新这个潜在向量。我们用边来刻画特征之间的相互关系，定义特征与类别的相关性。最后，我们将特征选择问题转换成了一个优化问题。在朴素贝叶斯结构假设下，我们给出了一个贝叶斯特征选择范例，得到了贝叶斯类别特征因子，以及考虑特征类别性质不确定性的贝叶斯特征平均分类器。在树结构假设下，我们能在选择出交互作用特征的同时消去冗余特征。通过采用多重条件独立性检验确定特征支持图，并对树结构和参数采用可分解先验之后，问题变得易于处理了。实验结果证明了本文方法的有效性。