本文对网络信息检索中的文本数据降维问题进行了研究。文章首先通过优化问题模型来建立文本数据降维问题的统一理论框架。提出：(1)特征提取是在连续解空间内对此优化问题框架的求解；(2)特征选择是在离散解空间对此优化问题框架的求解；(3)基于不同理论背景提出的方法本质区别就在于优化问题框架下目标函数的设计不同。为了支持我们的论点，本文逐一证明了现今文本处理领域常用的特征选择算法和传统的特征提取算法都是这个优化问题框架在不同解空间里面向不同目标时的特例。此外，本文利用这个统一的框架给出了一系列根据此框架设计新降维算法的途径。 网络文本数据的大尺度特点使得很多传统的降维算法由于高复杂度而无法计算。此外网络中的文本数据是动态的，即随着时间变化不断有新样本加入。这就要求降维算法必须可以计算大尺度数据，而且当新样本加入时或者算法可以动态更新降维投影方向，或者算法速度足够快以至于可以实时重新计算。从特征提取的角度，本文利用随机逼近理论提出两种全新的可以处理大尺度数据和动态更新投影方向的增量式算法：增量式极大边界准则与增量式正交型心准则。从特征选择的角度，利用我们提出的降维问题理论框架，我们通过在特征选择问题的离散解空间中优化特征提取问题的目标函数得到一种新的基于正交型心准则的特征选择算法。在计算结果更好的前提下，它的速度是文本处理领域最常用的两种特征选择算法的两倍。 通过本文提出的降维理论框架，我们提出了理论上具有重要指导意义的设计新的降维算法的新途径。实践上通过比较我们的新算法和传统算法可以得出以下结论：特征选择类算法由于复杂度低而更适合于信息检索系统中大尺度文本数据；特征提取类算法可以得到很高的数据压缩比；我们提出的新算法分别在时间开销、空间开销等多个方面超越很多传统的算法。