在标注样本足够多且标注正确的数据集上,监督式分类算法通常可以取得比较好的分类效果。然而,在实际应用中带有标签样本通常很少,训练数据的采集困难,标注代价高昂。针对目标领域只有少量标注数据,辅助源领域包含大量的未标注数据的场景,面向这种交叉领域的半监督学习可以起到克服标注瓶颈问题,但是目标领域和辅助源领域的数据不满足独立同分布假设,会导致生成的分类模型偏离目标领域的主题,从而降低半监督分类器的精度。本文针对仅有少量标注样本和大量未标注样本共存的场景,结合主题模型和半监督学习方法,开展面向文本分类的半监督主题模型方法研究,鉴于上述所提到的一些问题,主要研究内容如下:（1）结合有监督主题模型SLDA和半监督学习方法,提出了一种半监督主题模型s-SLDA（semi-Supervised Latent Dirchlet Allocation）,该模型利用目标域少量标注文档和源域的未标注文档共同训练。s-SLDA的概率图模型除了原来SLDA的参数θm、φ和δ,引入新参数θd、ψ和μ,旨在建立源域的文档-主题分布、主题-词分布和主题-伪类分布。（2）提出一种s-SLDA-Gibbs隐含主题采样方法,该方法对目标域和源域中的文档分别根据不同的约束进行隐含主题采样,即对目标域中的标注文档根据标注类别约束进行主题采样,而对源领域的未标注文档,根据伪类标签约束进行主题采样,计算得到s-SLDA主题模型的参数θm、φ、δ、θd、ψ和μ。（3）基于s-SLDA主题模型,提出了一种新的半监督文本分类方法s-SLDA-TC（s-SLDA Text Categorization）,并在20newsgroup英文数据集和Sogou中文数据集上与其它方法进行对比实验,验证面向交叉领域的s-SLDA主题模型的有效性,实验结果表明s-SLDA-TC方法能够有效利用辅助的源域信息,提高半监督文本分类的性能。