伴随着Internet的飞速发展,Web上出现了海量的、异构的、半结构化的、动态的信息资源,并且在这些Web信息中有80％以上的信息是以文本的形式存在的。如何从这些浩如烟海的Web信息资源中寻找并获取有价值的信息和知识模式,已经成为信息处理领域的一个亟待解决的问题。Web文本分类是文本挖掘的关键组成部分,它可以提高用户进行网上信息搜索的效率,可以对搜索结果进行分门别类,帮助用户快速的对目标知识进行定位,并且能够从中抽取有价值的知识。　　 本文在分析Web文本挖掘现状和存在问题的基础上,对Web文本分类中需要的核心技术和相关算法的进行了深入的研究和讨论,并提出了自己的改进方法用于实践证明。主要工作包括:　　 (1)介绍Web挖掘和Web文本分类的基础理论和相关知识,分析当前研究背景、现状和存在的问题。　　 (2)对Web文本分类过程中的正文提取、文本预处理、分词技术、文本的表示、权重的计算、特征提取等关键技术,进行详细的分析和讨论。　　 (3)介绍当前几种常用的文本分类方法:KNN、支持向量机、贝叶斯、决策树方法等,对这些方法的分类思想进行深入分析,并指出它们各自的不足之处。　　 (4)通过引入“最少出现文档频”的概念,在特征提取环节对特征分布信息计算进行优化,从而提出一种新的特征提取改进方法,即TF-LDF算法。并通过实验,采用KNN(最近邻算法)考察TF-LDF方法的有效性,结果表明该方法分类效果更佳。