随着科学技术的快速发展,互联网已在各行各业得到广泛应用。大数据时代的到来使人们在获取信息资源的过程中,也会有大量干扰、不良的危害信息,网络信息的恣意传播很容易在获取信息时出现低效率、信息误导等情况。如何对互联网新闻数据进行准确的分类、提高信息的利用率成为了众多科研人员的研究目标。随着人工智能和智能化平台的发展,SVM研究又逐渐变热,重新成为热点。SVM在文本和图像分类等领域都有着较为显著的成果。本文在分析总结新闻自动分类过程中的分词,表示,降维,分类以及结果判定的基础上,着重对降维和分类进行了深入研究。本文主要研究内容如下:(1)针对互联网新闻文本数据量大,冗余数据资源较多不便于使用者查找有效信息等问题,做出以下改进:在数据预处理中,使用线性判别分析(LDA)可以让映射后的样本有最好的分类性能。在LDA进行特征降维之前,先使用单因素方差分析对每个属性与类别进行相关度的分析,将不相关或者相关性较低的特征剔除,再使用LDA在线性变换上将原始数据映射到能够较好区分特征与类别的低维度上,实现数据降维。(2)为提高鲸鱼优化算法的收敛速度和寻优精度,提出一种基于非线性收敛因子和局部扰动的鲸鱼优化算法。算法首先引入非线性收敛因子,提高鲸鱼种群的多样性,扩大鲸鱼搜索食物的范围。同时在鲸鱼包围捕食阶段,采用一种局部扰动策略,使算法在跳出局部极值时的能力增强,提高算法的寻优精度。实验结果表明,改进后算法和粒子群算法、蝙蝠算法、基本鲸鱼优化算法相比,寻优速度、收敛精度、算法稳定性上都要优于其他算法。(3)通过深入分析SVM的思想、原理和流程,针对基本SVM模型中存在的易发生分类准确率不高、参数优化费时等缺点,做出以下改进:在SVM参数选取中,使用鲸鱼优化算法,快速找到全局最优解,提高模型的分类准确率,改进后的鲸鱼优化算法在模型参数优化中效果更佳。并用互联网新闻自动分类系统与优化后的SVM模型结合,使互联网新闻信息更清晰直观的呈现给新闻用户,不仅可以提升用户获取有效信息的效率,也可以提高用户的使用兴趣,减少冗余数据对用户的干扰,实现本文的使用价值。