随着Internet技术日新月异飞速发展,互联网上信息数量也在急剧增长。目前很多自动化应用能够帮助我们从互联网上的海量数据中提取出我们所需的内容,可是网页信息不仅包含网页本身的主题信息,往往还包含导航条、网页广告链接信息及相关推荐这类与主题并不相关的内容,即噪音信息。这些信息不仅影响用户的阅读体验,而且可能造成网页主题偏移,影响数据挖掘和搜索的速度与准确率。因此,研究和实现高效、实用的web网页中广告等噪音信息的过滤技术无论是在数据挖掘及web信息检索方面,还是在提高用户阅读体验方面,都具有相当重要的意义。网页的语言形式和语法等特性都与传统的语言相比存在很大的区别,因此网页噪音信息过滤技术更加繁杂,需要考虑的因素也更多并且更具挑战性。本文基于以上背景,提出了一种新的基于视觉属性分析的网页噪音信息识别与过滤算法。本文首先对目前主流的网页去除噪音方法进行分类并进行了分析研究。接着分析研究了具有代表性的各大门户网站的新闻网页中噪音信息的特点,并在此基础上提出了基于网页视觉属性与内容规则的噪音识别算法。该方法首先对网页文档中注释等无用信息进行过滤,并将文档构建成特殊的基于网页视觉属性分析的文档对象模型WVP_DOM树,接着划分树中的块结点信息确定最可能出现噪音信息的区域,跟据区域中的标点符号及超链接正文比,进一步判断该块是噪音块还是主题块。然后为保证网页噪音信息准确过滤并不影响用户的阅读,本文提出基于树结构相似性的网页不变形噪音过滤算法。该方法主要思想是在网页转化成的WVP_DOM树形结构中滤掉存在相似兄弟结点的结点时,网页是不会发生变形的。最后在WEB代理系统上验证该方法的实验效果及通用性。实验证明该方法能够较好的去除网页上的噪音信息,并保持网页不变形,同时该方法具有较好的通用性。