进入九十年代以来，互联网得到了极大的发展，产生了海量的非结构化和半结构化文本信息。如何对之进行有效的组织和管理，使用户能方便、准确地查找到所需要的信息，是信息处理的一大目标。基于人工智能技术的自动文本分类已成为信息处理的关键技术，它能根据文本的语义将大量的文本自动分类，有效地解决有关文本信息的组织、管理等关键问题。 文本分类的方法很多，典型的有朴素贝叶斯分类器、基于向量空间模型的分类器、基于实例的分类器和用支持向量机建立的分类器等，以及由几位学者提出的基于两步策略的高性能文本分类方法，主要是对中文两类文本、多类单标签文本分类。这就提出了两个问题：①能不能将两步分类策略从单标签分类问题推广到多标签 (兼类) 分类问题? 如果能，如何将它推广到多标签文本分类? ②能不能把两步策略应用到英文文本分类中去? 本文阐述了文本分类的关键技术，包括分类的一般过程、特征抽取、特征选择和分类方法等；重点描述、分析和对比了常用的特征选择算法和分类方法。提出了基于两步策略的三种多类多标签英文文本分类方法，1) 以贝叶斯为分类器，以抽取词根的单词和未抽词根的单词分别作为第一、第二步使用特征的两步方法：2) 以贝叶斯和决策树分别为第一、第二步使用分类器的两步方法：3) 以ID3、C4.5和贝叶斯的组合分类器对部分特定类别进行分类，然后对余下类别采用方法2进行二次分类的混合两步方法。在此基础上，还提出了一种优化算法，在Reuters-21578 语料上的实验表明，本文提出的方法具有较高的性能，三种方法中，方法3具有最好的性能。