该文以Web挖掘在文本分类中的应用为切入点,在深入研究Web挖掘的理论、模型和算法基础上,对Web挖掘的形式化定义和挖掘算法的发展体系进行界定,并设计了一个基于Web挖掘基础理论的中文文本自动分类平台. Web挖掘是指从大量Web文档集合中发现隐含模式的过程,这里的模式强调创新性、概括总结性、潜在有效性和可理解性.Web挖掘的一般步骤可理解为资源发现、信息预处理、概括化、结果评估四步曲,其中信息预处理是基础,模型概括化是关键.模型概括化的概括水平通过挖掘算法的挖掘能力体现,而挖掘算法由于来源广泛、应用多样而处于杂乱无章的状态.该文从算法的模型表示和优化过程出发,归纳出一套挖掘算法发展脉络的雏形,从而为具体情况下对算法的选择、算法的改进以及新算法的提出提供了理论帮助.通过对几类典型挖掘算法的定性比较,发现支持向量学习机相对来说最适合于文本分类应用.支持向量学习机具有很强的挖掘能力,是因为它是统计学习理论的工具实现.传统统计学是基于样本趋于无穷大时的渐进理论,而统计学习理论着重研究小样本情况下的统计规律,并应用VC维来计算出泛化界,从而提高了实现算法的挖掘能力.该文设计出一个改进的支持向量学习机算法,它针对具体问题的挖掘能力更优于传统的支持向量学习机.应用上面的思想,该文实现了一个中文文本自动分类平台,它的设计基于Web挖掘四步曲,其主要实现技术是中文分词、特征提取、文本表示和模式挖掘.通过对该平台的性能评测,验证了Web挖掘和文本分类技术的有机结合能够有效解决同主题文本细分类问题.从而说明Web挖掘在深层次的中文文本自动分类领域发挥重要的作用.