随着信息化的发展,互联网中的信息呈指数级增长。如何快速、有效地从网络中提取所需信息,已成为目前亟待解决的问题。为提高从海量网页中提取信息的效率,人们采用网页分类技术对网页进行归纳整理,通过进一步缩小搜索目标的范围,为信息获取争取宝贵的时间。鉴于多示例多标签(MIML)框架在歧义性学习方面独特的先天优势,以及支持向量机(SVM)卓越的学习能力,二者融合算法目前已成为机器学习领域的研究热点。介绍了网页分类基本过程及其相关技术,描述了MIML框架理论、算法,阐述了SVM发展历程、理论原理及其相关算法,并着重对二者融合算法进行研究。目前,算法中常采用退化方式将MIML问题退化至SIML或MISL问题进行求解,但在信息退化过程中通常存在有效信息缺损问题,因此为降低退化过程中的信息缺损,本文利用基于标签依赖关系的集成分类器树(ELDCT)算法同MIMLSVM~+算法融合,将标签间依赖关系融入分类器的训练进程之中,以提升分类准确度。在现实情况中,有标签样本标注代价大、数目较少、不能充分反映样本分布的真实情况,然而无标签样本特点与之相反。尽管无标签样本存在诸多优势,却未加以充分利用,使得利用少量有标签样本训练生成的分类器泛化能力不足、分类效果不够理想。因此,为利用无标签样本更准确地进行样本分布估计,将改进的直推学习思想融入MIMLSVM~+算法之中:一方面,利用支持向量域描述替代成对标注法;另一方面,引入增量学习。利用上述策略既能加快算法的收敛速度、又能增强算法的泛化能力,使得分类器性能进一步得到提升。为验证算法的应用效果,依据改进算法设计Web页面分类系统,并对其进行实验评估分析。实验数据显示,改进算法能够提升分类器的性能。