在当今的互联网时代,Web是信息的重要来源,网页则是展示信息的重要媒介。网页传递着各种信息,但是其中有大量噪音信息严重影响了 Web信息的自动化挖掘和采集。如何准确的识别出网页的主题信息成为了计算机科学的研究热点。本文对各种Web页面主题信息识别的技术进行了分析和总结,针对仅利用视觉特征或文本特征来识别Web页面主题信息算法的不足,提出了一种基于组合特征的主题块识别算法,实验证明本算法有效的提高了网页主题信息识别的准确率和稳定性。本文的主要研究内容和贡献如下:1)实现并改进了 VIPS算法。改进了网页分块规则,对网页块尺寸阈值采用了动态调整的方式来调整分块粒度,使得分块后的网页块语义更加完整。2)借鉴BM25算法的思想,提出了计算网页块内容与主题相关性的算法模型BBM25。BBM25以网页块为基本单位,从关键词的权重、网页块中关键词的词频、网页块的文本内容长度等几个方面来考虑。3)提出了基于组合特征的主题块识别算法。对网页分块后,本文首先利用SVM根据网页块的视觉特征预测网页块是否为主题块,然后利用BBM25算法计算每个网页块内容与主题的相关性权重值,将权重值与寻找的最佳阈值进行比较从而判断网页块是否为主题块,最后将这两种方式相结合,综合利用网页块的视觉特征和文本特征来判断其是否为主题块。通过实验,本文将基于组合特征的主题块识别算法和基于视觉特征、基于文本特征的主题块识别算法进行了对比,验证了本文提出的基于组合特征识别主题块的算法的准确性和稳定性。