随着网络信息的飞速增长展,使文本信息大量增长,如何能在众多繁杂的文本信息、中准确的获得对自己有用的信息,文本自动分类技术成为了众多学者的研究对象,在众多分类算法中,支持向量机的坚实理论基础和较为良好的分类性能使之成为了当前的研究重点。本文以支持向量机为基础,对中文文本分类中的相关算法进行了深入的研究,并在这些算法的基础上实现了一个基于SVM的中文文本分类系统。通过对TFIDF特征加权的详细分析研究,针对它在加权过程中,只片面的考虑到特征词词频的大小和训练集的整体分布情况这两个缺点,提出了相应的改进方式,使该公式在加权的过程中考虑到了特征值在各个类别中的分布情况,以及在该类内各个文本之间的分布情况。在对SVM分类算法的深入研究的基础上,针对训练样本数目过大训练速度和分类速度较慢的缺点,本文提出了降低分类过程中的文本数量,从而加快训练支持向量机分类的速度。并采用了OPTICS密度聚类的方法来提取原始样本中对分类起决定性作用的样本点作为新的训练集进行分类器训练。通过对比准确率、查全率等性能指标对分类结果进行了评价,实验证明该分类器具有良好的分类结果,并有很大的使用价值。