文本自动分类是在给定的分类体系下，由计算机根据文本的内容确定相关联的类别。文本自动分类技术能够有效地将文本信息组织管理起来，帮助人们准确高效的定位文本信息，为用户获取所需信息提供有力的支持。当前，文本分类主要采用的是基于统计的向量空间模型，涉及文本预处理、中文分词、特征选取、特征权重计算、分类算法、分类性能测评等多个过程。其中，特征项权重的计算方法是基于向量空间模型的文本分类中一个重要问题，关系到最终分类的效果。传统的特征权重算法着重考虑频率和反文档频率等因素而未考虑特征词在文本中的分布及位置信息，本文研究了文本自动分类中的基于类分布信息及位置信息的特征词权重算法。主要工作如下：(1)概述了文本分类的基本概念、典型应用、国内外研究现状及存在的问题。(2)介绍了文本分类过程、向量空间模型、文本预处理、中文分词、降维技术、测试方法及性能评价指标。(3)分析了经典文本分类算法的原理、特点及性能。(4)在分析传统TF-IDF权重算法的基础上，综合考虑了特征词在类中分布区分度和处于文本中不同位置时位置区分度对文本内容的区分能力，提出了基于TF-IDF与类分布信息及位置信息的权重改进算法。文本分类采用K近邻分类算法，对改进的权重算法与标准算法进行了比较，实验结果表明改进的权重算法对分类性能有一定提高。(5)对文本分类技术在垃圾邮件过滤系统中的应用进行了研究。