在互联网中存在大量结构化的表格数据,但这些数据大多数都缺少表头、实体列和外键。对于表格数据,表头等结构信息是进行数据检索和表格融合的重要基础。目前,人们提出了很多机器算法来恢复网络表格的结构消息,但在算法准确性和稳定性方面都有待提高。近年来,众包技术被越来越广泛的应用于自然语言处理、图片识别等领域。本文提出引入众包技术解决网络表格的结构信息恢复问题,在机器算法的基础上通过工人来完成表头、实体列和外键的标注任务。在表头和实体列恢复方面,论文提出了任务约简的理论模型和算法,通过引入典型属性的概念,对传统聚类算法进行改进,在聚类的基础上从表格中挑选少量代表元组呈现给工人,使标注任务得到明显简化；此外,论文提出了基于答案可信度的评估模型,通过对工人不同领域的动态评分完成相应的任务推荐和答案决策。大量实验表明,本文提出的工人评估模型能显著提高答案的准确性,而任务约简模型能在保证不影响答案准确行的前提下明显减少工人完成任务的时间。在外键标注方面,针对网络表格的数据特点,论文提出了类外键的概念,并结合网络表格的数据特点设计了对应的评分机制,为外键标注提供高质量的候选答案。为了控制外键人工标注的成本,首次提出了基于属性依赖关系的任务约减方法和基于冲突检测的动态问题规划方案,在降低任务复杂度的同时减少了问题数量。大量实验结果表明,本文提出的外键检测算法能提高候选外键的准确性和召回率,成本控制方法能显著减少问题的数量。