近年来互联网快速的发展，新兴媒介也不断的涌现，并向移动端蔓延。在智能手机普遍使用的情况下，更是加速了新媒介向移动终端发展的进程。微信作为一款运行在移动端上的社交软件，它与个人的相关信息紧密相连。微信用户增加的同时，微信的信息量也在快速的增长，各种微信信息传播的内容良莠莫辨，与此同时，对微信的舆情挖掘研究也变得日趋重要。与微博相比，微信中信息的传播与推广都很难被发现，所以建立一种微信内容的监测系统就显得很有必要。　　本文针对微信公众平台的文章难以监控这一难题提出了解决方案，首先通过爬虫采集微信公共平台中的文章，结合本文提出的支持向量机(SVM)与主动学习算法对采集到的文章进行分类，并把不同类别的文章数量统计出来，分类出比较敏感的文章，从而实现了微信公众平台文章监测的目的。最后，针对分类出的敏感文章，可以通知相关公众平台进行修改，从而达到净化网络的目的。　　本文的主要工作是改进了SVM主动学习算法模型，并把改进的模型应用在了微信公众平台的文章监测中。在对文章进行分类的过程中，为了减少训练样本所需要的代价，选择出区分度高、合理性强的训练样本集是很重要的，而本文正是在训练样本集的过程中提出的改进，在训练样本采集过程时，根据文章在不同类别中的关键词词频不同，对文章做出模糊的类别标注，这使得在训练样本采集过程中提高了训练样本的区分度，从而使算法能训练出更好的分类器，这样在主动学习过程中就会提高标注效率和分类准确率。最后通过实验结果表明，改进的SVM主动学习算法在文本分类中的可行性和性能的优越性，并与传统的SVM分类算法相比在效率上有了一定的提高。