随着互联网技术的发展,各式各样的网站出现在网络空间环境中,为人们信息的获取提供了极大的便利,各式各样的网页数量随着网站数量的增加呈现指数性的增长趋势。面对数量巨大的网站资源的出现,如何提供一种高效、准确、合理的网页分类筛选方法,让需要的人找到自己所需的资源成为一个重要而且有意义的问题。文本分类是自然语言处理领域中的经典主题,而网页分类归根结底还是文本分类的问题。网页分类是互联网基础资源管理与组织中一个最基础的问题之一,在搜索引擎、网页篡改分析、恶意网站识别等互联网基础应用中发挥着不可替代的作用。传统的Web数据挖掘技术通常利用网页特征分析结合浅层次机器学习的方法进行网页分类,但是随着网页数据结构组织的复杂化,在非结构化网页数据中提取有效的特征变得越来越困难,传统的机器学习在网页分类的效果上已经很难取得突破性的发展。深度学习模型逐渐己经成为处理文本分类的主流技术,基于深度学习的分析模型来构建特征文本向量的方法可以准确表达文中的词义和语义信息,但是也易被稀疏性等问题困扰,出现分类效果不佳的问题。针对上述问题,本文提出了一种基于语义特征融合的深度学习网页分类模型,该模型使用了 TextCNN提取网页中重要标签(title,keyword,description)的文本语义特征,使用XLNet提取网页其他标签内容的文本语义特征,并将两部分特征融合进行网页分类,有效解决了网络特征融合过程中的特征共线以及向量稀疏问题,本文引用了特征语义融合机制增强重要标签的语义特征与网页其他标签的语义特征的融合,进一步增强网页文本语义文本信息的表征,从而提高网页分类的准确率、召回率以及F1值等指标,同时也相应的提高模型的泛化能力。实验结果显示本文提出的基于语义特征融合的深度学习的模型能够有效的对网页文本进行高准确率的分类。