随着大数据时代的到来,数字城市、数字星球正在往智慧城市、智慧星球过渡。智慧化需要对资源进行合理配置,在此过程中,在海量网页中获取有用的信息是智慧化重要且具有难度的一环。网页自动分类技术可以有效解决这种难题,其中基于多示例多标签的RBF神经网络作为一种新兴学习框架,以其出色的分类效果引起很多研究者的关注。介绍了网页分类的相关技术,阐述了多示例多标签学习框架和RBF神经网络的研究历程,并详细描述了传统的RBF训练算法、MIMLRBF训练算法以及多种不同思路解决MIML问题的算法。通过认真分析传统MIMLRBF算法的训练过程,发现传统MIMLRBF算法在聚类阶段处理不平衡数据集时会产生各类别神经元数目不平衡的隐层,并导致误差函数忽略了数量较少的样本类别,分类效果不理想。针对这个问题,提出了两种解决方法。一种是在不改变各类别样本分布结构和疏密程度的情况下对各类别的样本集进行处理,使各类别的样本数量趋于平衡。对于数量较多的类别样本集,采用欠采样算法,利用距离排序进行间隔剔除;对于数量较少类别样本集,采用过采样算法,创造相似样本。另一种解决方法是改进聚类阶段的聚类算法,根据每个类别样本数占平均每类别样本数的比例设置一个阈值,此阈值随类别样本数量多少而改变。在聚类阶段,根据阈值的大小决定各类别聚类中心的数目,使各类别隐层神经元数目达到相对平衡。设计仿真实验,将两种改进算法与三种MIML相关算法进行对比实验。根据改进算法设计并实现网页分类系统,实验结果表明,两种改进算法都具有较好的分类效果。