随着Internet的普及,网络已经成为人们获取信息的主要途径,为了方便人们从海量网页中获取有用的信息,一种网页自动分类技术应运而生。鉴于多示例多标签(MIML)框架在歧义性学习方面独特的先天优势,以及支持向量机(SVM)卓越的学习能力,二者融合算法目前已成为机器学习领域的研究热点,但是这两者在处理不平衡网页的时候会有所欠缺。介绍了网页分类过程及其相关技术,描述了MIML框架理论,阐述了SVM发展历程、理论原理,并着重分析了在MIML框架下发展而来的MIMLSVM和MIMLSVM+算法。在样本集中,经常会出现某一类样本明显多于另一类样本的情况,这就得使样本集不够均衡。针对MIMLSVM算法在这种不平衡样本下分类效果差的问题,先使用过采样方法对样本集进行预处理,让样本集变得更加均衡,最终提高了分类准确率。现实生活中,无标签的的样本有很多,有标签的样本却非常少,数量众多的无标签样本可以提供整个样本空间的分布状况,进而弥补了少量有标签样本缺点。针对MIMLSVM+算法在这种不平衡样本下分类效果差的问题,提出了利用渐进直推向量机思想来处理无标签的样本,进而提高了分类准确率。最后,将改进后的训练算法应用到网页分类系统中,并对改进算法进行了实验对比和性能分析。实验数据表明,本文算法具有更高的分类效率和准确率。