随着网络规模的不断扩大和信息量的不断增加，集中式环境文本分类不能满足现有的需要，因此在分布式环境下对大规模数据处理成为当前IT行业关注的焦点。无论是在广告投放，还是在信息检索等领域，都需要对大规模数据处理进行文本分类，因此研究云计算环境下的大规模数据文本分类就成为了焦点。本文就在Hadoop系统平台下，以文本分类为前提，以本文设计的倒排索引树结构为基础，对文本分类算法及其增量算法进行了以下研究。综上所述：本文的主要研究成果、贡献和创新点可概括以下几点：1.为了满足特征选择方法的计算速度和文本分类KNN、Bayes等算法以及文本向量维度分布稀松性，本文给出了倒排索引树结构，并在云平台上将倒排索引树结构并行化。2.结合倒排索引树的结构和文本分类算法，给出了海量数据的倒排索引树构建算法及其剪枝策略，同时也给出了增量倒排索引树算法以及增量倒排索引树并行化设计。3.基于倒排索引树结构，设计了K-means增量分类算法，并给出了Hadoop平台下该算法分类的并行化设计。4.根据倒排索引树结构，提出了云计算hadoop平台下基于倒排索引树的朴素贝叶斯分类算法，并给出了该算法的三种改进方法，分别有采用TFIDF权重加权的，互信息加权的，期望交叉熵加权的朴素贝叶斯文本分类算法，同时也给出了基于倒排索引树的局部朴素贝叶斯文本分类算法。5.搭建hadoop集群进行实验分析，验证了倒排索引树结构及其文本分类改进算法的分类准确率，召回率和分类性能。