随着互联网技术的高速发展,评论、新闻、舆论等文本数据也呈爆炸式增长。如何在巨大的文本数据源中准确、快速的挖掘到有价值的信息成为人们迫切的需要,这也是工业界和学术界一直关注的热点问题。机器学习和深度学习的发展为文本挖掘提供了有力的技术支持,文本分类相关算法也大量应用于各行各业。但是由于算法学习的门槛较高,非计算机相关从业人员难以直接使用相关算法工具开展自身业务的分析。本论文设计并实现的机器学习平台可以将复杂的算法调用转变为简单的图形化界面操作,用户只需上传数据集,即可定制自身领域的算法模型,进而帮助用户提升工作效率。本文研究了当下分类效果极佳的文本分类模型XLN et,并且对XLNet模型进行改进,与LSTM、GRU、CNN等深度神经网络进行融合。利用中英文数据集分别训练得到分类效果最佳的中文分类模型XLNet与英文分类模型XLNet-LSTM。以上述模型作为平台的中英文基础分类模型,本文基于B/S架构提出了一种面向文本分类的机器学习平台的设计与实现方案,结合相关图表对机器学习平台的需求分析、概要设计以及详细设计与实现进行了充分的说明。平台以Python作为主要开发语言,Flask轻量级框架作为平台的后台框架,Tensorflow作为文本分类模型的开发框架,结合前端相关技术设计并实现了模型定制、文本分类、文本检索、平台管理、个人中心等功能模块。本文设计并实现的一种面向文本分类的机器学习平台,为需要借助算法模型提升自身业务的非计算机从业人员降低了技术门槛,为提高企业、政府等机构的智能化水平提供了技术支持,对同类平台的开发及应用具有参考价值。