智能文本处理引擎在文本分类中的应用主要包括以下几个步骤：

预处理：由于文本通常是非结构化的，计算机难以直接处理，所以需要先对文本进行一定的预处理。这一步骤主要是将非结构化的文档转换为适合学习算法以及分类任务的表示形式。

特征提取：在预处理的文本中，引擎会提取出重要的特征，这些特征能够刻画文档的特性。常用的方法有词袋模型、TF-IDF等。

训练分类器：利用提取的特征和已知的文档类别，引擎会训练一个分类器。这个分类器能够根据文档的特征预测其类别。常见的分类器有逻辑回归、支持向量机、朴素贝叶斯等。

分类：训练好分类器后，就可以对新的未知类别的文档进行分类了。引擎会将新的文档转换为特征向量，然后输入到分类器中，分类器会输出文档的类别。

评估与优化：分类完成后，需要对分类器的性能进行评估，常见的评估指标有准确率、召回率、F1值等。根据评估结果，可以对分类器进行优化，比如调整特征提取方法、改用更复杂的模型等，以提高分类器的性能。

总的来说，智能文本处理引擎通过自动处理和分析文本数据，可以大大提高文本分类的效率和准确性。