随着Internet的迅速发展,信息爆炸问题也随之产生。由于Internet的开放性、动态性使得用户很难快速、准确的从网上获取所需的信息。因此如何有效的从网络上获取有价值的信息成为当前研究的热点,Web文本挖掘技术就是解决上述问题的一种方法。Web文本挖掘采用数据挖掘、机器学习、自然语言处理、信息检索和知识管理等领域的技术来处理和分析非结构或半结构化的文本,从中提取有价值的知识。目前主要的文本分类方法有:最近邻分类、贝叶斯分类、决策树、支持向量机、向量空间模型、回归模型和神经网络等。本文通过分析现有的文本分类方法的不足,提出了基于SVM的改进的Web文本分类方法。首先,本文介绍了Web数据挖掘的基本概念、分类和方法,以及现有Web文本挖掘的具体过程和相关理论。其次,本文介绍了统计学习理论的主要内容和支持向量机的基本原理,阐述了支持向量机研究和应用的现状以及所面临的问题。最后,本文将并行SVM与主动Web文本分类相结合,提出了一种改进的基于支持向量机的Web文本分类算法。该方法与普通SVM方法相比,在保证SVM分类器性能的前提下,可有效减少学习所需的样本数量。