随着Internet技术的发展,万维网上的文档数目成指数级增长,在如此浩瀚的信息库中,用户非常难找寻到自己所需要的信息。因此如何自动且高效地处理这些海量文档信息成为目前重要的研究课题。文本分类是将从网上抽取到的文档信息自动有效地分成一定的类别,以便于信息的检索。基于此,本文主要研究文本信息分类和超文本信息分类的相关算法。首先,本文介绍了文本分类的发展概况和相关技术,研究了常用的分类算法,并分析相关算法的性能,为文本分类和超文本分类算法的研究提供理论基础。其次,对于文本分类,本文研究与分析了贝叶斯分类算法,贝叶斯分类算法是基于概率统计原理的一种分类方法,但是朴素贝叶斯分类器主要存在的问题是需要属性之间条件独立的假设,由于文本单词之间相互存在很多的关联,同时也存在有很大的“噪声”,很难满足其属性之间条件独立的假设。本文利用树增广朴素贝叶斯网络分类器,提出了一种基于贝叶斯的集成分类算法。通过K-Mean聚类方法,构建相互独立的条件属性子集,然后在条件属性子集建立TAN分类器,并将这些分类结果进行集成。在20新闻组和微型新闻组上进行实验,实验结果表明,集成分类算法在所有的类别上取得了更好的泛化性能。再次,研究了超文本中的多元化信息规则,并分析了不同分类算法在不同规则中的分类性能。本文通过对抽取到的数据集文档中的标题,超连接和标记等超文本信息,以及文档内容本身分别建立分类模型,然后根据神经网络集成各个分类模型得判别结果。提出一种基于元信息的超文本集成分类算法,该算法更好的综合利用了超文本的多元结构化信息。实验结果表明,相较于单独利用某种超文本结构信息进行分类的方法,基于元信息的超文本集成分类算法具有更好的分类性能。