由于通信及网络技术的发展，网络数据呈现海量特征。如何从浩如烟海的信息数据中找到自己需要的信息，是目前亟待解决的一大问题。网页自动分类技术可以使信息组织更加条理，富有层次性，有助于人们信息的获取。　　 本文研究了网页内容分类中的相关技术，具体包括：　　 (1)基于相似度的网页正文获取算法。传统网页正文获取需要经过分块和正文定位两个步骤，由于网页结构复杂多样，使得分块过程较为复杂而且正文定位困难。本文主要研究无需分块的网页正文提取，提出了基于相似度的网页正文提取算法。首先提取出最大文本行，然后根据文本内容相似度和标签相似度来提取网页正文内容，略过了传统的分块步骤。　　 (2)改进的特征选择算法。由于经典的卡方统计在选择特征时偏向于低频度特征，本文在研究了卡方统计算法之后，提出了基于词频扩散的卡方统计降维算法，利用特征的文档频率和词频结合的方式来代替传统的卡方统计公式中的文档频率。　　 (3)网页分类实验平台的搭建。网页分类实验平台主要包括两个模块：特征选择和分类。本文对常见的特征选择算法做了大量实验，并初步验证了分类算法的性能。　　 相关实验表明，根据相似度来提取网页正文的精度在95％以上，利用余弦距离计算的正文内容能够增加网页内容在主题上的凝聚性，有益于网页的分类。改进的特征选择算法在低维度空间相对于原算法在分类精度上提升大概15％，达到了降维的目的。