随着Internet的发展,为了能够有效地组织和分析海量的Web信息,人们希望能够对网页实现自动分类。因此,网页分类技术便成了快速且有效地组织网络上海量信息的一项重要技术。它是使用机器学习的方法实现网页类别的自动标注。在众多的网页分类算法中,支持向量机因为其出色的学习能力,已成为机器学习界的研究热点。介绍了支持向量机技术发展,原理和相关技术,概括了支持向量机技术在网页分类中的重要作用。阐述了目前支持向量机常用的训练算法,针对目前训练算法在面对高维度超大数量集训练时存在的训练时间过长、迭代次数过多的问题,提出了基于三样本点迭代的支持向量机训练算法。在保证获得解析解的前提下,将每次迭代优化的样本点个数由原有算法的两个提升为三个,减少了迭代次数,缩短了训练算法的学习时间。针对经典支持向量机训练算法不支持增量学习的缺陷,分析并证明了现有增量学习算法中普遍存在的丢失样本有效信息的问题,提出了基于超平面距离的支持向量机增量学习算法。根据支持向量的几何分布特点,采用超平面距离预选取方法,从增量样本中选取最有可能成为支持向量的样本进行增量学习,在保证不丢失样本有效信息的前提下,减少了增量学习时的样本个数,提高增量学习的训练速度。最后,将改进后的支持向量机训练算法应用到网页分类系统中,对以上的改进策略进行实验比较和性能分析。实验数据表明,本文算法具有更高的分类的效率和准确度。