在解决使用非英语语言的文本分类问题时，可以采取以下方法：

  1. 数据预处理：针对非英语语言的文本数据，首先需要进行预处理。其中包括文本清洗，如去除特殊字符、标点符号、数字和停用词等。同时，还需要进行文本分词，将文本切分为单词或字符，以便后续处理。

  2. 特征提取：特征提取是文本分类的重要步骤。对于非英语语言，可以选择不同的方法进行特征提取。一种常用的方法是使用词袋模型（bag-of-words），将文本转换为向量表示。另外，还可以考虑使用词嵌入（word embeddings）等技术，将单词表示为低维语义向量。

  3. 选择合适的分类算法：根据实际情况选择适合的分类算法。常用的分类算法包括朴素贝叶斯、支持向量机（SVM）、决策树、随机森林等。针对非英语语言的分类问题，可以根据数据的特点选择适合的算法。

  4. 数据标注与训练集准备：对于非英语语言，需要注意数据的标注问题。确保数据集的标注是准确的，尽量减少语义和文化差异对分类任务的影响。同时，还需要准备好训练集和测试集，并确保数据集的平衡性。

  5. 模型训练和评估：使用准备好的训练集进行模型训练，并使用测试集对模型进行评估。可以使用常见的评估指标，如准确率、精确率、召回率和F1值等，来评估模型的性能。

  6. 考虑语言特征：对于非英语语言，还可以考虑加入语言特征进行分类。例如，可以利用词性标注信息、语法结构等来提取更丰富的语言特征，从而提升分类效果。

  总结而言，在解决使用非英语语言的文本分类问题时，需要充分考虑语言的特点，并进行适当的数据预处理、特征提取、算法选择和模型训练等步骤，以达到较好的分类效果。