随着INTERNET的飞速发展,网上的信息越来越丰富,激增的数据背后隐藏着许多重要的信息。用户使用现有的搜索引擎浏览页面时,虽然能部分解决“资源发现”的问题,但精度不高,不能满足实际需要。更重要的是不能发现隐藏在海量Web数据背后的知识,造成了相对于海量数据的知识贫乏。为了在这些海量的、异质的、非结构化的数据源中提取感兴趣的、潜在的、有用模式和隐藏的信息,需要对Web文本信息进行数据挖掘,这就是Web文本挖掘。随着Web文本数据的迅速增长,Web文本挖掘己经成为了数据挖掘领域的一个重要的研究方向。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,提出了基于改进SVM的Web文本分类方法。本文所做工作如下;(1)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。(2)认真研究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SVM研究与应用的现状,以及所面临的问题。(3)提出了一种改进的并行SVM算法,将其应用于文本分类中,并通过实验验证了其有效性。(4)提出了一种主动学习的SVM算法,将其应用于文本分类中,并通过实验验证了其有效性。