文本分类任务作为人工智能研究的一个分支，历来受到很多学者的关注。在这一领域， kNN算法由于思路比较形象直观，且在计算方面不需要迭代，故而被大量研究人员所喜爱。但kNN算法也存在一个缺陷：在判断文档类别时，待分类文档需要和训练集中的所有文档一一求得余弦夹角距离，训练集文档越多，求距离次数越多。这样的一系列过程显然会增加很多的运算量。本文针对这一点问题，在kNN算法的基础上提出了一种改进方案，用训练集生成用于届定文本类别的各个词向量，每个类别的所有词向量合并为一个代表性向量。待测试文本不必再寻找前k个最接近的词向量，只寻找唯一一个最接近的，就可确定文档类别。且生成的代表性向量可以保存起来，在文本分类任务中直接使用。在实际测试当中，这种方式的文本分类结果和原来的kNN算法一样准确。