网络信息含量的爆炸和过载给人们带来了Web时代的新挑战,网页分类是组织和利用海量互联网信息的一种有效途径。在已出现的多种网页自动分类算法中,支持向量机(SVM)学习能力出色,已成为机器学习领域的研究热点。经典的支持向量机训练算法是不支持增量学习的,若重新对所有样本进行训练非常浪费时间。因此,对支持向量机增量学习的研究具有重要的理论意义和实用价值。　　 本文介绍了支持向量机的发展、原理和相关技术,分析了目前支持向量机常用的训练算法和增量学习的多种方式,阐述了支持向量机核函数的原理和机制,讨论了全局核函数和局部核函数的优缺点。针对增量学习中筛选出的样本点信息含量不足或过于冗余的问题,提出了新的筛选模型,考虑支持向量的几何分布特征,利用超圆锥模型选出的样本点信息,能够有效进行增量学习,提高分类效率并降低分类时间。针对局部核函数学习能力良好但泛化能力差的缺点,提出结合全局核函数来构造新联合函数的方法,使其能够结合两类核函数的优点;针对核函数未考虑会受增量学习影响的问题,将增量过程中的影响因子加入到构造核函数中,使其适应增量学习,提高分类准确率。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。