随着计算机技术的迅猛发展,互联网因其包含的海量信息而越来越多的成为了人们获取信息的主要场所。也有了更多的人乐于在互联网上分享自己的知识,这导致了网页数量的爆炸式增长。据1月31日中国互联网络信息中心(CNNIC)在京发布的第41次《中国互联网络发展状况统计报告》显示,截止至2017年12月,我国网民数量已经达到了7.72亿,占人口总数的55.8%,超过全球平均水准4.1个百分点,超过亚洲平均水准9.1个百分点。种种现象表明,互联网已经成为当代人们生活中必不可少的组成部分。而伴随着互联网的飞速发展,网络内容得到了极大的丰富。如何将这些海量的信息进行一个合理的筛选,让人们能快速,有效的找到自己想要的资源成为了一个重要而且有意义的问题。为了应对这种问题,人们发明了搜索引擎,能准确地查找人们所需要的信息,但将所有网页放在同一集合查找显然不是明智之举。调查显示,人们在进行信息检索时往往会围绕着一个主题。如果能将网页按页面类型进行分类将有效的提高信息检索的效率。将网页快速、有效的进行分类还能很好的提高搜索引擎对人们发出的信息检索请求的响应速度。目前在工业上网页分类多半是采用人工策略或者传统机器学习的方法。得益于深度学习技术的高速发展,越来越多的难题得以被解决。2014年卷积神经网络被证实能运用于文本分类上,为本篇论文提供了灵感。本篇论文研究了国内外的分类策略,例如贝叶斯、决策树和支持向量机等。对卷积神经网络的搭建过程及运行原理进行了探究,对神经网络的标准化处理,损失函数及梯度下降法做出了足够的了解,并对现今主流的深度卷积神经网络进行了分析,例如:Le Net、Alex Net、VGG Net等。通过以上研究,本文提出了一个用深度学习方法对网页进行特征提取,再将神经网络的特征输入到分类器进行分类的方法,通过使用深度学习的方法搭建了网页特征提取模型,有效的提高了网页分类方法的效果,并通过和人工策略和传统机器学习的分类策略进行对比,证明了该方法的有效性和可行性。