随着通信技术和计算机技术的飞速发展,自动信息处理已成为人们获取大量信息不可缺少的工具文本分类作为自动信息处理的重要研究方向,有着广泛的应用前景粗糙集理论和神经网络技术在模式识别中都已得到广泛的应用,但在文本分类领域的应用研究相对较少。粗糙集在不影响分类精度的前提下通过信息约简能得到显式的文本分类规则,但它对数据中的噪声比较敏感,分类规则具有模糊性神经网络有很强的容错学习能力,但不能消除过量的冗余信息,且庞大的文本特征维数限制了网络的性能为此本文采用了一种粗糙集和神经网络相结合的文本分类方法,设计并实现了一个RS-BPNN中文文本分类系统,主要工作内容有:1)本文对当前文本分类领域的关键问题及其常用解决方法进行了研究,分析了现有方法的特点与不足详细阐述了信息约简的粗糙集理论和基于神经网络的机器学习技术,分析了它们相结合的优点2)本文结合粗糙集的属性约简和神经网络的分类机理,在向量空间模型表示文本的基础上,构建RS-BPNN中文文本分类模型首先采用粗糙集对向量空间降维,然后用BP神经网络进行训练,再利用训练得出的分类知识对新文本进行分类通过两者有机的融合增强了它们在文本分类中的实用性3)针对现有属性约简算法的缺陷,结合向量空间模型的特点,对粗糙集的Johnson属性约简算法进行了改进改进的算法以特征向量重要度为启发式信息,加快了约简速度并能得到较优的约简4)开发了一个RS-BPNN中文文本分类原型系统,采用客观的中文语料库对系统进行封闭式和开放式测试,分析和评估文本的分类性能及系统的整体性能结果表明该系统具有较高的分类精度,基于粗糙集和神经网络相结合的中文文本分类方法切实可行。