在文本分类中，常用的特征表示方法有以下几种：

  1. 词袋模型（Bag of Words, BoW）：将文本中的每个词视为一个特征，统计每个词出现的频率或者使用词的存在与否表示特征。但是该方法没有考虑词的顺序信息。

  2. TF-IDF：Term Frequency-Inverse Document Frequency（词频-逆文档频率）是一种常用的特征表示方法。它通过计算一个词在文本中的频率（TF）和文本集中出现的文档数的倒数（IDF）来衡量词的重要性。

  3. N-gram模型：N-gram是指连续N个词的序列，通过统计N个词在文本中的出现频率来作为特征表示。例如在N=2时，表示的是相邻的两个词的组合。

  4. Word2Vec和GloVe：这是一种基于分布式表示的特征表示方法，将每个词映射到一个低维向量空间中，使得具有相似语义的词在向量空间中距离较近。

  5. 文本结构特征：除了基于词的特征表示，还可以考虑文本的结构特征，比如段落、句子、标点符号等。

  6. 主题模型：主题模型可以将文档表示为多个主题的概率分布，每个主题由单词组成。通过计算文档的主题分布作为特征表示。

  7. 卷积神经网络（CNN）和循环神经网络（RNN）：这是一种基于神经网络的特征表示方法，能够学习到更丰富的文本表示。CNN主要用于提取局部特征，而RNN可以处理不定长序列。

  以上是常见的特征表示方法，不同的方法适用于不同的情境和任务。在实际应用中，可以根据具体的问题选择合适的特征表示方法。