互联网的发展为人类生活中的许多方面带来了变革,在社交方面,社交网络服务（Social Network Service,SNS）已成为当代人最重要的交流方式之一。人们在社交网络中写作、共享、沟通交流建议,产生着大量高价值数据,这就使得人物画像技术,即对社交网络上的人物根据相关数据建模的技术,成为互联网领域重要的研究方向,其在精准推送、个性化服务、推荐系统等方面都有着重要的应用价值。人物属性抽取是人物画像的基础,其目标是根据已知人物信息从社交网络各平台中检索人物相关文档,并从文档中提取与人物相关属性（例如:生日、职业等）。现有的人物属性抽取方法存在一些问题:一方面,跨平台关联人物文档时对人物信息利用不充分,在大量重名人物或人物信息部分缺失时,容易遗漏或匹配到错误的人物文档;另一方面,从网页类文档提取人物属性时,传统的提取算法对网页结构要求较高,难以处理结构不定的网页。针对上述问题,本文展开了人物属性抽取方法研究,主要创新概括如下:第一,针对人物文档关联问题,提出了一种融合账号多模态特征的跨社交媒体账号匹配方法。方法获取人物在多社交媒体的账号头像,简介,搜索排名三个模态,分别提取特征,并使用随机森林进行匹配。本方法使用集成学习思想融合账号多模态,充分利用账号信息,对人物重名和身份信息缺失有着较强鲁棒性,在对比实验中较单特征匹配方法和其他多特征匹配方法取得了更高的精确率和召回率。第二,针对网页人物属性提取问题,提出了一种基于正文词法句法特征的树状条件随机场提取模型。方法将网页人物属性提取建模为文本序列标注问题,以网页正文作为输入,提取正文单词的词法和句法特征训练标注人物属性的树状条件随机场模型。本文方法不依赖具体的网页结构,对训练数据量要求较低,在相同训练集对比实验中,取得了较其他序列标注方法更高的标注精度。