文本分类（Text Classification）是一类利用自然语言处理（Natural Language Processing, NLP）的技术，根据文本内容自动将其划分到预定义类别或标签中的机器学习任务。该技术通过分析文本中的词汇、语义和上下文信息，实现对大量非结构化文本数据的自动组织和管理，是信息检索、内容分析和智能决策系统中的基础任务之一。

文本分类的发展建立在统计语言模型、机器学习和自然语言处理等多个领域的长期研究基础之上。早期方法通常依赖人工设计特征（如词袋模型、 TF-IDF）结合分类算法完成文本类别判断，但在复杂语义理解和特征表达方面存在一定限制。 2014 年，纽约大学研究人员 Yoon Kim 在论文Convolutional Neural Networks for Sentence Classification 中提出利用卷积神经网络（CNN）进行句子分类的方法，展示了深度学习模型在文本表示和分类任务中的有效性，成为深度文本分类领域的重要代表性研究工作之一。

现代文本分类方法通常通过预训练语言模型（如 BERT 类模型）、大语言模型（LLM）以及深度神经网络学习文本中的语义表示，并完成情感分析、主题分类、意图识别、垃圾信息检测等任务。随着大规模语言模型的发展，文本分类逐渐从依赖人工特征工程的方法转向基于语义理解和上下文建模的方法，在复杂文本场景中的适应能力不断提升。目前，该技术已广泛应用于舆情分析、搜索排序、客服系统、内容审核和企业知识管理等领域。