在文本特征选择方法中，常用的评价指标包括相关性、冗余度、词频及稀疏程度等。但由于指标种类及数量众 多，导致评判标准无法统一，造成特征选择困难，因而现有算法一般仅使用一到两种指标对特征进行过滤及筛选。然而文本特 征质量的高低对于文本处理模型的最终构建起着至关重要的作用，在选择时需要对特征进行多方面、多角度的考量。针对上 述不足，首先针对目前文本处理常用的词汇特征和n-grams特征筛选出两组功能互补的评价指标，根据每个指标值将特征映 射到坐标系中，通过在坐标系构建假设函数，并利用梯度下降法确定假设函数中的各个参数，使得假设函数能够将高质量特征 与低质量特征区分开，把特征选择问题转化为低维空间的简单分类问题。在《人民日报》标注语料库及美国近当代英语语料库 （COHA）中的对比实验结果表明，相对于单指标或双指标的文本特征选择算法，基于梯度下降和多指标融合的文本特征选择 算法在保证时效性的同时，能够更准确地筛选出高质量的词汇及 n-grams 特征，并在支持向量机（Support Vector Machine， SVM）中验证其有效性。