网络信息量的迅速增长对信息检索提出了更高的要求。在使用搜索引擎时,为了方便用户快速、准确地从网上获取所需的信息,有必要对搜索引擎检索到的大量Web页面按内容进行分类。Web文本挖掘技术是解决上述问题的一种有效的方法。它借鉴数据挖掘的基本思想和理论方法,从大量半结构化、异构的Web文档集中发现潜在的、有价值的知识。Web文本分类技术是Web文本挖掘中的一项重要技术。目前,针对中文网页的分类技术逐渐成为Web数据挖掘研究的热点。它的关键技术包括网页清洗、中文分词、特征选择、文本表示以及分类算法。其中网页清洗、中文分词、特征选择和文本表示称为对网页文本的预处理,预处理结果的好坏是决定分类效果的重要因素。本文详细研究了预处理的各个过程并实现了预处理系统。预处理过程中,特征集的选取对文本分类的训练时间、分类的准确率都有显著的影响。传统的特征选择方法将每一个特征项都单独对待,分别进行特征评估,忽略了特征项之间的相关性、相似性等语义特征。本文在传统特征选择的基础上,引入了基于同义词统计的特征选择方法,在进行特征选择之前,先进行同义词的替换。这样可以进一步降低特征空间的维数,而且通过采用支持向量机算法进行Web文本分类实验,并利用分类正确率对分类结果进行评价,与不使用同义词统计的特征选择方法相比,基于同义词统计的特征选择方法具有更好的分类正确率。