当今互联网时代,海量信息包含于海量网页中,潜藏着巨大的商业价值,这使得网页分类日益成为一个受人关注的研究领域。随着互联网在我国的普及和发展,中文网页分类已成为一个重要的研究课题。多标签分类是指数据集的分类体系中有多个类别标签,但一个样本可同时归属于多个标签。以往的网页分类方法大多基于文本分类技术,但网页文本又有其构成上的特殊性,我们认为可以利用外部链接网页的相关信息来提高网页多标签分类的准确性。本论文工作包括多标签中文网页数据集的构建、基于当前网页内容进行分类的模型设计、以及结合外部链接网页信息对当前网页进行分类的模型研究。本论文的核心创新点在于提出多信息融合的卷积神经网络模型,有效地融合了当前网页和多个外部链接网页的信息,提高了对当前网页进行多标签分类的准确性。在本论文的工作中,首先使用分布式爬虫爬取中文网页,自行搭建一个简易的标签标注WEB系统,对中文网页进行多标签标注,构建多标签中文网页数据集。本文改进了基于权重排序构造算法的WOCA-SVM模型,同时提出了WOCA-NB模型,以及修改了用于单标签多分类的TextCNN原模型使其可以用于多标签中文网页分类;这些模型都是基于当前网页内容进行分类。更重要的是,本文提出了结合外部链接网页信息的网页分类卷积神经网络模型（PageCNN）及两种拓展模型（PageCNN-CLL和PageCNN-WLL）,有效地融合从多个外部链接网页中提取的文本和标签信息。在实验部分,我们将本文所提出的PageCNN模型及其拓展模型与WOCA-SVM、WOCA-NB、改进的TextCNN模型、当前主流的多标签文本分类深度学习模型进行了比较。实验结果表明,PageCNN系列模型在子集准确率、汉明损失、宏F1和微F1等方面均优于比较模型,验证了本文提出的多信息融合方法可以有效地处理来自当前网页和多个外链网页的输入信息,提高了多标签中文网页分类的性能。