随着互联网技术的快速发展,网络成为人们获取信息的主要来源,为了能有效地获取这些信息,人们希望对网页实现自动分类。因此,网页分类成为实现快速检索信息的一项重要技术,它应用机器学习的方法使网页按照其内容实现自动标注。在众多的网页分类算法中,SVM因为其优秀的学习与推广能力、较高的分类准确率,已成为一个研究热点。介绍了SVM理论基础、原理和训练算法,分析了基于SVM的网页分类技术的优点,阐述了不平衡SVM训练算法与多类SVM学习算法。针对SVM在不平衡样本集分类准确率不高的问题,改进了标准模糊SVM模型,引入参数λ,使最优超平面与两类样本之间的距离不相等,增加样本数较少一类的决策区域,同时利用样本之间的互距离构造模糊隶属度函数,更好地反映了样本之间的分布情况,减少噪音数据对分类结果的影响,提高了分类准确率。针对二分层次结构的多类SVM算法中层次结构设计的问题,提出了基于改进的二分层次结构的多类SVM网页分类算法。本算法通过改进的k-means聚类算法设计层次结构。对每个结点中的各子类样本进行聚类时,通过一个子类在两个大类中的样本数之比,决定一个子类属于哪个大类。使得一个大类内样本之间的分离性最小,两个大类样本之间的分离性最大,提高了SVM多类分类的准确率。最后,将改进后的SVM算法应用于网页分类中,对以上的改进算法进行了试验验证。实验结果表明,本文算法提高了网页分类的准确率。