在大数据时代,信息呈现爆发式增长。如何从海量的互联网文本中挖掘出有价值的信息,实现文本数据的高效管理和有效利用,是一个极具挑战性的问题。在这一时代背景下,自然语言处理（NLP）技术应运而生。文本分类技术作为NLP领域的重要研究方向之一,所面临的问题主要包括文本表示的高维稀疏问题,分类器训练效率问题和样本噪声问题。本文针对上述问题进行了研究,研究内容和主要贡献如下:（1）引入深度学习领域的Word2Vec和Glove词嵌入思想,并结合传统的特征提取方法,进行词嵌入向量化的文本表示。探究了在不同的文本特征提取方法、词嵌入方法、文本向量维度下,文本分类的效果差异。从特征提取方式来看,基于布尔模型的平均词嵌入加权比基于TF-IDF的词嵌入加权效果更好。基于深度学习的词嵌入向量化方法普遍比传统特征提取方法效果好,不仅分类的F1值更高,且分类器的平均训练时间也仅占传统方法的1.59%。从词嵌入方法来看,在大多数情况下,Glove词嵌入方法比Word2Vec效果更好。从文本向量维度来看,随着文本表示的维度增加,相应的分类性能也会有所提升。（2）提出了一种并行化的数据几何分析（PDGA）算法。该算法用于为支持向量机（SVM）精细化地选择训练样本,实现样本约减,从而在保持SVM分类性能的条件下,最大化地提高其训练速度。通过在2个文本数据集、4个UCI非文本数据集上和1个人工数据集上进行算法的合理性和有效性验证,结果表明,PDGA算法在同类别算法中具有最快的执行速度,且具有更好的分类性能保持能力。（3）提出了一种结合分位数思想的马氏距离多元异常值识别方法。设计该算法的目的是缓解数据集中的样本噪声问题。该算法在执行PDGA算法的过程中执行,充分利用了PDGA算法的统计信息。实验结果表明,该算法不会增加PDGA算法执行的时间复杂度和内存负担,能合理去除训练集中的噪声样本,从而有效帮助SVM提高分类效果。