Web内容过滤系统作为重要网络信息安全设施，通过对Web内容信息进行识别过滤，使得有害Web信息不能进入受保护的网络，在保护青少年身心健康和净化网络环境方面起了积极作用。 贝叶斯网络具有概率表达能力强、增量学习特性好等优点，但其结构复杂，构造难度大，难以在实际应用。BM-IF是一个简化了的贝叶斯网络模型，在保留了贝叶斯网络表达能力的基础上，大大简化了网络结构。 使用简化贝叶斯网络分类模型作为分类器，Web内容过滤系统能在运行过程中不断进行学习，具有较强主动学习能力和主动适应能力，同时简化贝叶斯网络模型可以结合专家知识和学习知识，让本系统的用户方便灵活的定义自己的过滤类别。 本文针对以往Web内容过滤系统准确率低、覆盖率低，用户维护困难等缺点，提出了根据Web数据挖掘思想建立的贝叶斯网络分类模型。这一模型充分利用了Web内容信息、Web链接信息、Web使用信息进行分类，通过对大量上述三类信息的学习，不断提高分类决策的性能。 本文还对分类影响较大的一个因素——关键词选择及分类词频统计进行了探讨，并在前人的研究基础上，使用双向扫描分词法结合歧义字段校正的算法对学习语料进行分词和统计，根据对学习语料的词汇统计选取关键词。