互联网信息每天都以爆炸式的速度增长,用网页传递信息是传统且广泛使用的方法。网页分类,指按照网页的内容或用途,对其所属的信息领域类别进行标定。为了能实现信息检索、兴趣推荐、内容监管等功能,人们一直在研究如何更加快速准确的对网页进行分类。目前常用的网页分类方法大都基于网页内容理解,这些方法必须依赖网页源代码和特定语种、特定行业的语料库,在处理多语种或多行业网页分类问题时,模型的准确率低、泛化性差。本文研究并实现了基于网页截图进行网页分类的方法。首先通过爬虫采集不同语种的网页截图,使用CNN(卷积神经网络)作为基础网络,对原始数据进行预处理得到样本集,训练得到一个针对6种目标网页类型的多分类模型,证明了基于网页截图进行网页分类的方法具备可行性,分析了仅使用CNN存在的问题和可改进的思路。在此基础上,使用两种思路进行优化:(1)通过改变神经网络结构,使CNN和SVM(支持向量机)相结合,重新构造多组正负样本集,训练得到二分类器组,使分类模型同时使用深度神经网络自动提取的图片特征和基于视觉语义的专家知识特征;(2)选择网页截图包含特定含义的4个子区域,依次训练得到对应区域的分类模型并进行模型融合,从而提高了截图信息的利用率。通过实验得到4个分类模型(包括1个中间模型),与现有方法训练得到的2个模型进行对比,本文模型的单类别灵敏度和总体准确率均高于对照模型,其中效果最好的模型总体准确率达到82.44%。本文研究的方法使用网页截图对网页进行分类,不需要对网页内容进行理解,解决了现有方法高度依赖网页源代码、与语种和语料库高度相关等问题,可应用于混合语种网页分类。