Web已经成为获取信息的最重要手段之一。海量的网页在为人们提供包罗万象、无比丰富的信息资源同时,也向人们提出了如何快速地从信息海洋中获取所需信息的挑战。Web文本挖掘技术是解决上述问题的一种方法。Web文本挖掘借鉴数据挖掘的基本思想和理论方法,从大量非结构化、异构的Web文档的集合中发现有效的、新颖的、潜住可用的及最终可理解的知识。但是,现有的Web文本挖掘技术应用效果不够理想,并且不能适应于Web上文档高速膨胀的需要。因此,开发新的Web文本挖掘技术便成为研究热点。针对以上情况,本文主要做了以下方面的工作。 首先,本文介绍了Web数据挖掘的基本概念、分类和方法,以及Web文本挖掘的具体过程和相关理论。重点介绍了Web文本挖掘中的特征表示与特征提取技术,并提出了一种改进的类别区分词的特征选择方法。该方法能够在大大缩减特征空间的同时,选择出那些最具有类别指示意义因而也最利于分类的特征。 其次,本文认真研究了统计学习理论的主要内容和支持向量机算法的基本原理。并且就支持向量机的训练算法、分类算法、多类算法、核函数及选择等热点问题分别加以讨论。阐述了支持向量机研究和应用现状,以及所面临的问题。最后指出刘支持向量机进一步研究和应用需要解决的一些重要问题。 最后,本文将支持向量机与增量学习相结合应用到Web文本挖掘中,提出一种改进的支持向量机增量学习算法。该算法舍弃对最终结论无用的样本,使得学习对象的知识得到了积累。本算法在保证分类准确度的同时,在增量学习问题上比传统的支持向量机有效。