随着信息网络的高速发展,文本信息呈现着指数级别的增长,而文本挖掘技术则能够很好地帮助人们去处理这些海量的文本信息,其中文本自动分类技术可以自动化地帮助人们完成文本分类任务。但是文本内容多种多样,对类别相差较远的文本进行分类时,单纯使用主题模型来表示文本就可以达到较高的分类准确度,而对于类别相近的模糊文本,由于不同类别的模糊文本间共享大部分主题,使用原始主题模型无法有效地完成分类任务。这是因为主题模型只考虑了主题级别这类高级信息,没有考虑到底层的词语间隐含的信息,多数主题内的信息复杂、中心不明确。因此本文通过分析类别模糊的文本在主题模型上的表现,并结合词向量模型提出了两个文本表示模型r-LSA＿vec与s-LDA＿vec,对类别模糊的文本进行分类研究。论文内容主要包括如下几个部分:(1)使用潜在语义分析模型与潜在狄利克雷分布模型对模糊文本与普通文本进行建模分析,并对文本的主题分布矩阵进行降维,使用三维视图来直观分析模糊文本与普通文本在主题模型上的区别。(2)重构潜在语义分析模型中的语义空间,将语义空间中的主题映射到word2vec词向量空间内,计算文本与各个主题的距离,并将计算结果作为最终的文本表示模型r-LSA＿vec,使得文本表示模型中既包含利于分类的主题信息,又包含基础的词语信息。(3)根据不同类别文本在潜在狄利克雷分布模型中主题内的分布来选择利于分类的主题信息,并将主题映射到word2vec词向量空间中,在词向量空间中计算文本与各个主题的距离并将计算结果作为最终的文本表示模型s-LDA＿vec,使得模型中包含利于分类的主题信息与基础的词语信息。(4)使用r-LSA＿vec模型与s-LDA＿vec模型以及目前流行的文本表示模型来表示模糊文本与普通文本,进行分类实验来验证本文提出模型的有效性与鲁棒性。论文验证了r-LSA＿vec模型与s-LDA＿vec模型对于模糊文本分类更加有效。相较于其他方法,这两个模型能够很好的避免冗余信息对分类的干扰,并且对于普通文本的分类任务也有较好的表现。