随着Web作为互联网上最重要的应用之一,它提供了便捷的文档发布和信息的获取,并且各地的信息资源聚集在互联网上,成为生活中不可缺少的一部分。根据官方资料的显示,在互联网上已经有过亿的Web文档,面对如此大的海量信息,Web用户往往无从下手快速获得自己所需的信息,所以迫切需要一种方法能够快速定位到有用信息上。由于这种需求者越来越多,关于Web数据挖掘技术便产生了。而现阶段的Web数据挖掘主要建立在信息检索、数据挖掘以及知识管理上,通过对大量的Web文档进行分析来获得隐含的知识和模式,从而使得人们更好的进行信息搜索。随着Web数据挖掘技术的发展,如今的文本分类技术能够改善文本信息杂乱状况,可以降低查询时间,提高搜索质量,快速有效地获取文本信息。因此文本自动分类技术越来越受到人们的关注。基于机器学习的文本自动分类已经取得了很好的效果,提出了多种分类算法,如k最近邻算法、朴素贝叶斯算法、决策树算法和支持向量机等。本文主要阐述了Web数据挖掘中文本分类技术,给出了Web文本分类的处理过程：文本预处理,特征降维,文本特征的表示方法等,探讨了支持向量机(SVM)分类算法在文本分类中的应用。重点研究了与贝叶斯中的最小误差率相结合的支持向量机来构造的一个多分类Web文本分类模型以及它的具体构造过程。经过实验证明,在确保分类器性能的条件下,选取训练数据样本进行训练,它的实验结果比传统的支持向量机分类器精度有所提高,具有较高的运行效率。