我们在中文Web文本挖掘的背景下,研究了用SVM进行特征抽取、用虚样本引入先验知识以及增量学习等关键问题,取得了一定的成果.主要工作包括:第一,对比了6种常用特征抽取方法在中文Web文本挖掘中的性能,并研究了如何用SVM方法来进行特征抽取,取得了比常规方法更好的实验结果.第二,对于类别分布不均匀的文本集的分类问题,我们提出采用人工生成虚样本的方法引入先验知识,这一方面可以减少对已标记文本的需求,另一方面,如果在学习过程中引入了有助于学习的先验知识,将直接有助于提高整个系统的泛化能力,减少过量匹配的发生,最终提高学习的精度.实验结果表明,我们的方法是比较有效的.第三,通过概括支持向量集的特点及其在增量学习过程中的变化,我们分析比较了几种现有的SVM增量学习方法,并对它们在中文网页分类器中的性能进行了对比.第四,研究了一种基于模糊隶属关系预抽取训练样本的方法,得出的结论是这种方法不仅相对简单,而且在保证分类器性能的情况下,可以允许我们适当地选择训练样本,减少支持向量,从而提高SVM的训练和测试速度.第五,Web文本挖掘系统的开发对Web文本挖掘的研究有着很大的推进作用,而基于中文的Web文本挖掘系统还处在研究之中.第六,作为课题之外的工作,我们还研究了SVM在CDMA通信系统中多用户检测问题上的应用.实验结果表明,基于SVM的多用户检测算法误码率性能要优于线性最小均方误差(MMSE)算法.