随着Internet的迅速发展,尤其是World Wide Web的全球普及,Web上信息资源己涵盖了社会生活的各个方面,网络信息过载(Information Overload)问题日益突出,这促使Web挖掘技术和Web信息检索技术迅速发展。处理这些海量数据的一个重要方法就是将它们分类。通过自动分类不仅仅可以将网络文本按照类别信息分别建立相应的数据库,提高中文搜索引擎的查全率和查准率;而且可以建立自动的分类信息资源,为用户提供分类信息目录。本文对文本分类的基本概念和相关算法以及SVM算法的国内外研究现状进行介绍和讨论。针对不同的基于SVM多类别分类方法分别进行了研究,在此基础上,做了以下工作:首先,本文研究分析文本分类的总体过程,包括:信息预处理、特征表示、特征提取。重点研究分析了特征表示与特征提取技术,文本的分类算法,并根据实际情况提出了一种综合特征提取方法。其次,认真研究了统计学习理论的主要内容和SVM算法的基本原理,并且就SVM的多种多类别分类算法分别加以讨论。针对传统的支持向量机大类别分类算法存在的不足,结合支持向量机快速准确的分类性能和纠错输出编码误差修正的特点,提出一种多类分类SVM网络分类方法。最后在完成基于SVM多类别分类的理论研究的基础上,将其理论应用于实践,构建了一个了基于SVM的网络文本分类模型。在该模型的基础上,以LIBSVM为工具软件,结合实验语料集分别验证了基于SVM的多类分类方法,得以证明多类分类SVM网络分类方法有较好的实用性。