目前Internet已经成为人们获取信息的一个重要途径。随着Web信息的日益增长,如何在如此大量的数据中提取有用信息成为一个重要课题。为了能够有效地组织和分析海量的Web文本资源,针对Web文本的数据挖掘技术变得越来越重要。Web文本分类研究是Web文本挖掘中的一个重要研究内容。Web文本中存在噪音信息及其半结构化的特点,使得针对Web文本的分类技术与传统的纯文本分类技术有所差别。基于机器学习的文本分类技术由文本的表示、分类方法及效果评估三部分组成。向量空间模型是文档最常用的表示结构,特征选择和特征降维是影响该结构的两个主要因素。贝叶斯定理、支持向量机模型等机器学习方法常常用在文本分类器的构造过程中。大多数基于模板的商业网页包含与主题相关的内容块,以及诸如广告、导航栏、版权等噪音信息。这些噪音内容的存在影响了基于网页的信息处理领域,如信息检索、网页分类等。利用HTML网页中具有分块启发作用的一些特殊标记将网页分块,通过计算网页块在整个网页集中的出现频率判定其是否为噪音块,给出了一种网页分块算法ContentDiscoverer。实验表明,与同类算法相比,ContentDiscoverer具有更快的执行速度和更好的主题内容块识别效果。将ContentDiscoverer分块算法用在网页分类中,设计并实现了一个中文网页分类器。实验结果表明,进行网页块划分后,其分类的准确性有了较大的提高。