21世纪是互联网事业快速发展的时代,各种各样的网页充斥着网络,人们愈加无法快速的找寻到满足自己目标的网页,信息检索的效率越来越低。网页分类系统能根据网页的内容和信息对其进行类别判定,建立一个统一的网页类别系统不仅能够有效地组织和分配网页信息,而且规范化网页管理系统,有效提高人们在网络上获取信息的效率,更加快速准确地将信息筛选并呈现给用户。因此,建立一个可以自动分类网页的系统是当务之急。本文主要研究基于深度学习的网页分类问题,用深度学习算法建立一个自动网页分类的系统。传统的网页分类方法使用如KNN或SVM等常用文本分类算法,使用这些算法得到准确程度较低且趋于稳定,很难再得到提高。本文提出了将深度学习算法应用到网页分类上的思想。深度学习算法是由多个隐藏层组成的网络结构,它主要强调了“深层”和“逐层训练”的思想,每层独立训练得到特征后作为更高层的输入继续学习特征,实现了对输入提取高抽象表示的过程。深度学习最吸引人的一点是它可以完全自动学习特征,不需要人工手动地产生特征,并且用这些自动学习到的特征产生的结果也是高度准确的。目前深度学习在各个领域上应用广泛且具有非常好的效果。本文将深度学习算法使用在网页分类的领域,通过实验也发现深度学习对于网页的分类也是非常有效的。本文结合当前网页分类的相关技术,参考文本分类系统的建立过程,抓取一定数量的网页数据,对网页实现自动分类过程,首先对网页内容信息进行筛选,选择合适的网页内容信息并提取,保留其中的中文内容并分词后将每个词汇作为特征使用,通过合适的特征加权方法,使用向量空间模型对网页进行特征向量表示,使用深度学习算法对网页训练集进行训练建模后用于分类,最后用训练好的深度学习模型对网页测试集进行分类器性能测试。为了对比该深度学习分类器的性能,通过添加对比实验评价分类器性能。实验结果表明,使用深度学习算法的分类结果要优于传统的余弦距离分类效果。本文也继续研究了栈式自动编码器模型中的主要参数对网络训练的影响,通过实验来对比发现这些参数更改以后对最终网页分类的差异性。