循证医学(EBM)已成为国际医学界主流医疗模式,它实施的关键是获取和筛选最佳证据,形成EBM系统评价和实践指南。随着互联网的迅速发展,目前有海量的医学文献以网页的形式出现,面对如此之多的信息,仅靠人工进行分类和管理已经力所不及。因此,急需得到有效的网页分类方法以及其它智能信息处理技术的支持。本文在总结已有研究成果的基础上,重点对网页分类中的一些较为关键的技术进行了研究,并提出了一些自己的观点和解决方法。本文主要工作包括以下几个方面:(1)对网页预处理和网页分类方法进行了学习和研究。特别是在对英文网页的预处理方面,找到了一些有效的方法,如网页标题内容提取法、英文词干提取技术等。(2)提出了一种基于网页摘要的加权Naive Bayesian分类方法。首先利用LUHN和LSA两种网页摘要方法从网页中抽取关键信息,并根据特征评估函数进行权重调整,然后构造加权Naive Bayesian分类器。实验结果证明,基于网页摘要的加权Naive Bayesian分类方法可使分类精度提高6%至9%。(3)对组合分类模型进行了研究,提出了一种使用Boosting组合学习算法提升SVM分类器的方法,训练文本的内容为抽取的网页摘要信息。实验结果表明使用Boosting算法组合SVM基分类器是一种有效的网页分类方法,能够有效地提升SVM分类器的分类精度。(4)参与设计并实现了一个网页分类系统,包括网页预处理、常用的网页分类方法,并对一些分类算法做了改进。