Internet已经成为最重要的信息库。浏览Internet会看到网页中会包含大量和我们关心内容无关的导航条、广告信息、版权信息、以及调查问卷等。这些不相关的内容严重影响了Web信息挖掘的效果。网页净化技术致力于把混乱的网页内容清晰化、结构化、条理化,并清除不相关的内容。网页净化技术已经成为Web信息挖掘的关键技术。介绍了网页净化的相关技术及其在Web信息挖掘中的重要作用,研究了目前流行的网页分割模型,分析了它们的优势和不足。根据目前商业网页的设计风格是“DIV加CSS”风格,并且网页设计师特意把逻辑相关的信息放到同一个<DIV>标签里并用样式表控制布局这样一个事实,提出了一种新的网页分割模型DSS_DOM。该模型识别出网页中的基本数据单元,并划分出整个网页的逻辑区域。研究了基于DSS_DOM模型的网页净化算法,该算法分析了网页噪音的特点,总结出一套评价准则,通过分配权重的方式判断出网页各个逻辑区域的重要性,识别出主题区域和噪音区域,达到了净化网页的目的。利用开源项目Lucene对净化后的网页集建立了索引,在网页净化的基础上实现了搜索功能。实验证明DSS_DOM模型及其算法减少了Lucene的索引量,提高了Lucene的查准率。把DSS_DOM模型及其算法应用于CPCK中文网页分类器,在网页净化的基础上实现了中文网页自动分类。实验结果表明,DSS_DOM模型及其算法明确了各个网页的主题和类别,提高了网页分类的准确性。