文本情报包含的信息越来越多,来源越来越广泛,情报的价值判断尤为重要。而文本分类任务已经变成自然语言处理领域的一项处在热门研究中的基础技术。文本分类技术对于现阶段我国的情报管控及处理方式有重要借鉴意义,然而传统的人工标注的价值判断方式效率非常低下,将自然语言处理为核心的自动化分类模式用于情报数据的管理和分析,会产生十分深远的影响。本文以自然语言处理领域的发展为背景,结合现实情报机构的低效率处理的难题,尝试将文本分类技术应用于情报价值判断研究中,并对文本分类技术加以改进,探索提高情报处理效率和挖掘情报价值的方法。本文提出的情报价值判断基于情报特征提取延伸出情报真实性和情报领域价值,研究内容涉及以下几点:第一,深入研究文本分类的整个过程,通过调研和阅读文献,研究涉及数据预处理、特征提取、文本表示等必要流程,并将其应用到情报文本处理。同时针对文本分类过程中相关经典模型,设计出一种涵盖空间分布的分类能力指数增加重要特征词权重用于改进传统的CHI特征选取方法和TF-IDF特征加权技术。第二,情报真实性价值判断研究。针对情报文本二分类数据集,结合已有机器学习相关文本分类技术实现对每条情报数据的真实性价值判断,研究并介绍决策树、SVM、贝叶斯等常用的算法模型,并将分类能力指数应用于改进朴素贝叶斯算法,生成一种新的加权贝叶斯算法,并进行包含十组分类模型,三种加权技术,四项评价指标的对比实验证明引进分类能力指数的改进TF-IDF特征加权技术的高效性,分析情报真实性价值判断结果。第三,情报多领域价值判断研究。针对情报文本多分类数据集,结合深度学习相关文本分类技术实现对每条情报数据的所处领域的价值判断,如时政、社会、科技等。深入研究Word2Vec生成包含语义信息特征的词向量。使用预训练的情报文本词向量和字向量分别生成的输入到深度学习应用于文本分类的相关模型。探究使用词向量与字向量在情报文本数据集多领域价值判断的表现差别。设计多种算法模型设置对比试验,根据结果进一步研究深度学习模型应用到情报文本价值挖掘的适用性。本文的实验内容和实验成果是将自然语言处理理论与现实情报处理领域相结合,针对文本情报的高效率处理和挖掘情报价值有一定的参照作用。