| 中文摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景和意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·文本分类在国内外研究现状 | 第11-12页 |
| ·仿生模式识别在国内外研究现状 | 第12-13页 |
| ·本文主要研究内容 | 第13页 |
| ·本文的内容组织 | 第13-14页 |
| 第二章 文本分类及其关键技术 | 第14-29页 |
| ·引言 | 第14页 |
| ·文本分类的基本概念 | 第14-15页 |
| ·文本分类的定义 | 第14-15页 |
| ·文本分类的模型 | 第15页 |
| ·文本分类的技术和方法 | 第15-25页 |
| ·文本预处理 | 第15-16页 |
| ·文本表示 | 第16-22页 |
| ·文本分类算法 | 第22-25页 |
| ·分类性能评估 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 仿生模式识别理论基础及算法实现 | 第29-40页 |
| ·引言 | 第29页 |
| ·仿生模式识别（BPR）基本原理 | 第29-31页 |
| ·仿生模式识别的实现——多自由度神经元的几何形体覆盖 | 第31-39页 |
| ·双权值神经元模型 | 第33页 |
| ·多自由度神经元模型的构造算法 | 第33-35页 |
| ·基于高维空间几何模板的仿生模式识别算法 | 第35-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于仿生模式识别的文本分类算法 | 第40-50页 |
| ·引言 | 第40页 |
| ·仿生模式识别用于文本分类的原理 | 第40-41页 |
| ·基于超球覆盖的仿生模式识别算法 | 第41-45页 |
| ·高维超椭球的困难 | 第41页 |
| ·基于超球覆盖的仿生模式识别算法 | 第41-45页 |
| ·超球覆盖仿生模式识别与神经网络仿生模式识别的比较 | 第45-46页 |
| ·实验结果与分析 | 第46-49页 |
| ·实验设置 | 第46-47页 |
| ·系统框图 | 第47-48页 |
| ·实验结果分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 总结和展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读学位期间的科研成果 | 第58页 |