WWW的出现导致网站上的文本数量成指数级增长,因此如何自动处理这些海量联机文本成为目前重要的研究课题.自动文本分类是文本信息处理的一个重要环节.在我们的研究中,完整地实现了一个基于EM-Naive Bayes方法的中文网页自动分类系统.它可以自动完成Web页到纯文本文件的转换、特征词表的建立和统计工作,并根据训练集中类别体系及其所含文本的设定自动完成训练过程.经过训练的分类器可用于分类未知文本,给出其类别标号或自动在测试集上完成对分类器的评测.该文提出了一个针对特征提取算法的量化评测标准-QS Value,并使用该标准对现有的各种特征提取算法和分类算法分别进行评测,分析总结了它们的效果和特点.在评测结果的分析中,总结出了特征提取原则,并根据该原则提出了一个新的特征提取算法-GP特征提取算法,对该方法完成了评测,并讨论了它相比于其他算法的特点.该文在特征独立性假设基础上,讨论了Naive Bayes分类器的原理,以及训练和应用Naive Bayes分类器进行分类的问题.通过EM算法(期望值最大算法),使分类器自动增加训练量,以得到较为完备的训练文本库;从而扩展了Naive Bayes分类器的应用,提高了它的分类精度.实验数据表明,该EM-Naive Bayes分类器的分类精确度封闭测试最高为87.5％,开放测试最高为73.8％(见表6-4、6-5),是一个比较实用的分类器.