本文采用支持向量机,在面向Web文本内容上对其进行分类识别研究。Web文本内容复杂,向量表示的维数大,内容上的疏密性比较明显而且很多有比较强的关联性,传统的文本分类技术效果不佳,支持向量机是基于统计学基础理论的VC维以及结构化最小原则的算法实现,Web文本内容中的疏密性和特征之间的关联性等因素对它影响很小,而且支持向量机它自身独特的处理‘维数灾难’问题的能力在应付复杂Web文本内容所表现的高维特征效果较佳。本文主要以支持向量作为算法基础,在文本内容的角度上对Web文本分类进行研究。本论文所做的主要工作如下：(1)分析了支持向量机的增量学习算法,并基于它之上,提出了改进的具有边界约束增量学习支持向量机算法,该算法克服了传统增量学习支持向量因素考虑的不全面性,引入边界约束,合理有效提高了后期支持向量数目。在基本保证训练速度的情况下,提高了实际分类精度。(2)分析了DDAG-SVMS多分类支持向量机算法,并基于它之上,提出了改进的DDAG-SVMS多分类支持向量机算法。该算法对传统的DDAG-SVMS算法的分类器进行优化组合,改善了原有分类器树结构对分类带来的不合理因素,最终提高了实际的分类精度。(3)通过实验,对比以上算法及其改进,并通过实验数据有效分析,最终论证了支持向量机的增量学习算法和DDAG-SVMS多分类支持向量机算法的高效性以及对应的改进后算法的有效性。