Web信息抽取(Web Information Extraction)是当前Web信息处理中的重要课题。其主要任务是对页面中的目标数据进行分析，进而进行语义标注。具有语义标记的数据可精确地回答用户的查询，有极广阔的应用前景。目前，Web信息抽取技术以知识工程、自然语言处理和统计学习为基础。其中基于统计学习的技术是当前研究的热点。 本文将信息抽取问题分为特征获取、页面浅语义化表示和信息抽取(语义标注)三个部分，分别进行研究，并通过实验分析来验证方法的有效性。 在特征提取部分引入了文本主题和页面分隔线两类特征。在比较特征权重计算、特征选择方法、分类器和中文分词技术的基础上，构建并简化了用于获取文本主题特征的文本分类模块。在Sogou语料库上两次文本分类实验的平均F1值为81.25％。本文还将图像识别方法用于页面分隔线的提取，实验表明该方法能较为准确地提取页面分隔线。 在页面浅语义化表示部分，首先提出了简化HTML布局规则和页面代码的页面结构调整算法，该算法用HTML扩展子集重新描述页面，这种最简描述较好地解决了因页面模型复杂化而导致算法适应能力下降的问题。然后研究了基于分隔线和混合距离的页面分块算法，以分离页面中内容不相关的块，获取页面的块语义。实验表明，在分块任务中结构调整和分隔线特征分别使F1值提高了+8.43％和+12.8％。 在信息抽取部分，将层次条件随机域(HCRF)模型用于标注页面数据的语义。研究了页面特征组合，以及页面浅语义化表示和文本主题特征对信息抽取性能的影响。实验结果表明整体研究方案是有效的。对比实验还表明采用文本主题特征和页面浅语义化表示能改善信息抽取性能，在相同样本上的F1值分别提高了+3.9％和+8.8％。