随着信息技术的不断发展,因特网上的网页数量日益激增,但是Web页面的复杂程度使得人们很难准确而快速地获取自己所需的信息。为了使人们能够迅速从网络中获取到自己感兴趣的信息,网页分类技术应运而生,并逐渐成为继文本分类之后机器学习领域的研究热点。同时这也促进了其在信息检索、信息过滤、搜索引擎等多个领域的广泛应用。　　本文首先介绍了中文文本分类的研究背景和意义,以及简要介绍文本分类的国内外研究现状。并针对网页文本分类的相关技术进行了详细地介绍,包括中文网页预处理、网页文本表示、特征选取技术、网页分类算法和网页分类效果的评价指标和几种常见的文本分类技术。　　其次,本文结合网页的半结构化特性,并根据网页中不同标签内的特征词对分类结果的影响大小,以及特征词在网页中出现位置的语义特点,分析并提出了一种根据不同标签和特征词的位置的权重确定方法。同时,研究了传统的tf-idf公式在网页分类中的应用及其存在的不足,发现tf-idf公式在选择特征词时未考虑特征词在类内及类间的分布情况,然而针对此不足之处对传统的tf-idf公式进行了改进,提出了一种结合类内分布率和类间偏差的特征选择方法。本文将这两种方法综合起来统称为基于特征词复合权重的网页分类算法WCA(Webpage Classification Algorithm)。再通过实验证明该算法的优越性和可行性。　　最后,本文运用改进的WCA算法并基于半监督的机器学习理论构建了一个网页分类器,使用搜狗实验室的互联网语料库SougouCS和网络爬虫得到的数据集进行实验,实验结果表明改进后的算法相对传统算法具有更高的精确度。