遗传算法(Genetic Algorithms)是通过借鉴生物界进化选择机制发展而来的一种自适应智能优化算法。它适合在复杂问题以及非线性问题等传统算法较难以解决的领域中应用。该算法最大的特点是并行计算的隐蔽性以及对问题求解的全局搜索性。在目前的智能计算领域中，对遗传算法及其应用的研究是一个热点。网络信息过滤技术是随着网络的不断发展与普及而产生的。随着网络上各类应用的接踵而至，网络传输的信息也目不暇接。网络在丰富人们精神与物质生活的同时也很难控制各种不良信息的出现、传播。另外，巨大的网络信息量，也使网络使用者很难快速准确的定位与获取自己所需要的信息。网络信息过滤技术产生的目的就是为了解决上述的问题。网络信息过滤技术主要在网络信息获取与表示、用户模板构建、文档分类等方面上进行研究。本文首先对遗传算法进行了研究，并针对其缺点，提出了一种基于细分变异算子策略的算法改进思想。并在此基础上，将改进后的遗传算法应用到网络信息过滤中的用户模板构建模块当中。综合来看，本文主要的工作可以总结为一下几个方面：1、对遗传算法进行了探讨与研究，并针对该算法的不足，提出了一种改进算法思想。本文对基本遗传算法的原理及应用进行了深入研究，对算法在解决现实问题中的特点进行了总结，最终针对该算法中诸多不足，提出了一种基于细分变异算子策略的改进遗传算法思想，文中在MATLAB仿真实验平台下，使用公认测试函数对该改进方法进行了验证测试，测试结果表明了该算法的优越性。2、对信息过滤关键技术进行探讨，并将改进遗传算法应用到网络信息过滤的模板优化当中。本文在对遗传算法进行研究的基础之上，还对网络信息过滤相关技术进行了探讨，并最终将遗传算法的优点特性应用到了网络信息过滤当中。文本使用改进后的遗传算法产生网络信息过滤当中的类别模板并进行优化，最终提高了文本分类的准确性。3、结合遗传算法以及多分类算法，设计并实现了网络信息过滤系统。本文通过使用文中提出的遗传改进算法对文档进行训练，构建出类别模板，最终使用组合的多分类器对网络待测分类文本进行分类，最终实现了一个网络信息过滤系统。经测试，该系统稳定、可靠，能够高效的完成对网络信息的分类和过滤等任务。