随着互联网技术的快速发展,网络成为人们获取信息的主要来源,如何从网络中挖掘出有用信息并找出相关规律,已经成为当前研究的热点。网页分类是一种组织和分析网页信息的技术,它能够对网页实现类别标注。多示例多标签是一种新的学习框架,其在分类领域表现良好。因此,将网页分类和多示例多标签相结合十分有意义。本文阐述了网页分类算法,介绍了多示例多标签学习框架,分析了MIMLBOOST与MIMLSVM两种算法。真实世界中的事物往往是多语义的,将多个示例集合映射到多个标签集合上才能更好地反映真实世界。在解决多示例映射问题时通常采用退化机制,将多示例多标签退化为单示例单标签,但是退化过程中可能丢失重要信息从而影响分类结果。针对网页分类准确率低问题,提出了基于混合高斯模型的聚类算法。混合高斯模型可以逼近样本点的分布,通过概率模型计算样本点类别,然后采用EM算法对高斯模型进行参数优化,重新计算后再基于退化算法来提高分类准确率。针对退化过程中忽略示例之间联系造成信息丢失问题,采用基于权重排序的算法。通过聚类加强示例之间的联系,再利用TF-IDF算法对标签加权,对于权重低于阈值的标签,不与示例包结合。这样一方面增强了示例之间的联系,另一方面使正负样本趋于平衡。改进后的算法减少了重要信息的丢失,提高了分类效率。最后,将改进后的算法应用到网页分类系统中,并对该算法进行实验对比和性能分析。实验数据表明,本文算法具有更好的分类效率。