在互联网技术飞速发展的今天，网络已成为人们日常生活中所不可或缺的工具。随着网络信息的海量增长，如何有效且快速的从中找寻自己所需要的信息已成为目前研究的热点，因此网页分类技术应运而生。网页分类是实现网络快速检索信息的一个非常重要的技术，它使用计算机并依靠机器学习实现的网页类别的自动标注。在众多的分类算法中，支持向量机以其出色的学习能力及其在高维问题中所表现的特定优势，越来越受到人们的关注。　　首先，论文介绍了网页分类的基本流程，并对网页分类关键技术之一的特征提取进行了深入的研究和分析。分析了特征选择目前比较常用的“统计量算法”，并根据其忽略低频但可能具有类别代表意义词汇这一不足，提出了改进的统计量特征选择方法，增加特征词在类别中所占比率和特征词在所有文本特征集中所占比率这两个因素作为因子，综合考虑，实现了深层挖掘有意义的特征数据的目的。其次，对于网页信息，本文采用支持向量机学习算法构建网页分类器。在应用过程中，针对支持向量机的惩罚因子和核参数较难确定的问题，采用改进的免疫克隆算法作为支持向量机的参数选择优化算法，该方法具有很好的参数选择效果和很高的参数选择效率。　　最后，论文将改进的支持向量机算法应用到网页分类过程中，并对其进行了实验。实验结果表明，该算法在分类准确度和分类效率上都有了提高。