diff --git a/README.md b/README.md
index 2b3e2f5..02b724b 100644
--- a/README.md
+++ b/README.md
@@ -179,7 +179,17 @@
     回调第一个参数是输出值 指的是 这个分类的概率 该数值是0-1之间的浮点
     第二个参数是 分类的id 判断是训练的哪个分类的ID，
     第三个参数是 事件ID,一次判断事件 使用一个ID,让开发者知道是哪次事件的回调判断
-
+    public static void test() throws Exception {   //自然语言分类说明
+        //创建模板读取累
+        TemplateReader templateReader = new TemplateReader();
+        //读取语言模版，第一个参数是模版地址，第二个参数是编码方式，第三个参数是是否是WIN系统
+        templateReader.read("/Users/lidapeng/Desktop/myDocment/a1.txt", "UTF-8", IOConst.NOT_WIN);
+        Talk talk = new Talk();
+        //输入语句进行识别，若有标点符号会形成LIST中的每个元素
+        //返回的集合中每个值代表了输入语句，每个标点符号前语句的分类
+        List<Integer> list = talk.talk("帮我配把锁");
+        System.out.println(list);
+    }
 #### 最终说明
 * TempleConfig()：配置模版类，一定要静态在内存中长期持有，检测的时候不要每次都NEW，
 一直就使用一个配置类就可以了。
@@ -191,6 +201,7 @@
 * 精准模式学习很慢，但是检测速度快，双核i3检测单张图片（1200万像素）单物体检测速度约100ms.
 学习1200万像素的照片物体，1000张需耗时5-7个小时。
 #### 本包为性能优化而对AI算法的修改
+* 本包的自然语言是通过内置分词器进行语句分词，然后再通过不同分词的时序进行编号成离散特征，最后进入随机森林分类
 * 本包对图像AI算法进行了修改，为应对CPU部署。
 * 卷积神经网络后的全连接层直接替换成了LVQ算法进行特征向量量化学习聚类，通过卷积结果与LVQ原型向量欧式距离来进行判定。
 * 物体的边框检测通过卷积后的特征向量进行多元线性回归获得，检测边框的候选区并没有使用图像分割（cpu对图像分割算法真是超慢），