随着Internet网络的高速发展,信息爆炸时代也随之到来。由于Internet的开放性、动态性、异构性使得用户很难快速、准确的从WWW上获取所需的信息,因此如何有效的从网络上获取有价值的信息成为当前研究的热点。Web文本挖掘技术就是解决上述问题的一种方法,它借鉴数据挖掘的基本思想和理论方法,从大量半结构化、异构的Web文档的集合中发现潜在的、有价值的知识。文本分类技术是Web文本挖掘中一项最重要的技术,随着中文网页数量的急剧增加,中文文本分类也逐渐成为了Web挖掘研究的热点,它的关键技术包括文本分词、文本表示、文本预处理、特征选择以及分类算法,其中特征选择的好坏对文本分类的训练时间、分类的准确率都有显著的影响;TFIDF特征选择是文本分类中使用较普遍而且比较有效的方法,但存在不足,如没有考虑词条文档在分类系统中的分布。本文对传统的TFIDF特征选择算法进行了简单介绍和分析,并对TFIDF方法利用词条信息熵进行改进,提出了一种新的基于TFIDF的特征选择算法。而且通过实验对传统的TFIDF方法和本文改进后的方法进行了比较,证明本文提出的方法有更好的查全率和查准率。Web文本分类的方法较多,常用的如:最近邻分类、贝叶斯分类、决策树、支持向量机、向量空间模型、回归模型和神经网络等。但传统的分类方法存在着不足,当前Web文本分类的方法大都将网页归属到某一特定类中,而许多网页包含多个主题,应该有多个归属类。本文还提出了一种基于向量空间模型的多主题Web分类方法,该方法通过网页与每个类的相似度来计算动态阀值,并对相似度进行聚类,实现了将多主题网页划分到多个类中的目的。最后,也通过实验证明了该方法的有效性。