随着Internet的不断发展，WorldWideWeb已经成为人们获取信息的重要来源之一。然而Internet所固有的开放性、动态性与异构性，又使得用户很难准确快速地获取需要的信息。帮助用户快速、准确地查找和分类网上的有用信息，可以在较大程度上解决网上信息异构、杂乱的现象，因此对Web文档进行自动分类成为信息检索过程中的关键技术。本文主要研究基于支持向量机的Web文档分类方法及其在信息检索中的应用，目的是利用数据挖掘技术提高Web文档检索与分类的准确性。 本文的主要工作和特色如下：(1)在文档分类的特征选择和提取步骤中，提出了一种利用演化算法，在提取的Web文档的词频、结构等众多候选特征中找出最佳特征用于基于支持向量机的文档分类方法，并分析在不同的文档分类任务下应选用的不同特征。使用标准数据集WebKB、BankSearch和Yahoo的SocietyandCulture以及Science文档集进行实验，取得了较好的分类效果。 (2)提出了一种基于类别层次结构的支持向量机多分类策略，在二值分类的基础上结合类别的层次关系，将简单的投票策略加以优化。当待分类文档中包含内容涉及两个或两个以上类别时，可以有效地提高分类的准确率。 (3)将基于支持向量机的Web文档分类应用到个性化搜索领域。引入本体层次结构，提出了一利实现用户兴趣剖像(UserProfile)全自动抽取的方法，并利用用户兴趣剖像实现个性化搜索。使用Yahoo类别目录文档集作为实验数据集，LibSVM作为SVM工具，实现了一个基于支持向量机的用户兴趣剖像自动构建并用于个性化搜索的原型系统。