信息的重要程度越来越高,各行各业都被海量的信息所覆盖,这海量的信息中包含着多种模式的信息载体,形如文本、视频、图片、语音等,其中文本则是这些信息的最重要的载体之一。然而在船舶领域,还没有形成一套合理的分类流程与方法,在区分专业性极强的船舶文本信息时需要进行人工比对,这将花费大量的人力资源成本和时间成本。本文就此问题提出一套可行的解决方案,并在原算法基础上进行创新。本文主要研究将文本分类相关技术应用于船舶领域,使得能节省大量人工比对消耗的时间与成本,对常用文本分类算法进行分析比较,在实际应用于船舶领域中的特征提取实验法有针对性地针对不足之处进行改进,使得工况点在权重计算的时候更加合理。分析快速文本分类算法fasttext算法,结合应用船舶领域,针对船舶设备、区域的差异性导致关键词权重及计算不准确的影响,对fasttext模型进行定向改造。提出C-fasttext新的算法模型。并通过前后端分离技术实现分类结果展示,符合产品需求。本文的任务目标为在保证不同命名规则的语料库到来时自动分类成功的准确率与召回率能够同时大于90%,控制误报率不超过5%,语料库覆盖率超过95%。将提出的C-fasttext模型和传统的支持向量机算法、朴素贝叶斯算法、原始fasttext算法进行对比,分析对比结果,实验表明,改进的C-fasttext算法比传统的fasttext算法有4%的分类效果提升,对比朴素贝叶斯算法有15.3%的分类效果提升,对比支持向量机算法拥有31.5%的分类效果提升。