随着Web相关技术的日益成熟和Deep Web所蕴含信息量的快速增长,对Web数据库的访问逐渐成为获取信息的主要手段,Deep Web的研究也越来越受到人们的关注。Deep Web中蕴含了丰富的数据资源,但是Web数据半结构和无结构的特点,使这些资源难以被很好地利用,如何从Deep Web中自动获取有用的信息是倍受关注的研究课题之一。Deep Web信息抽取系统从Deep Web中抽取大量专业的信息,将半结构或无结构的数据转换为结构化的数据,为用户或其他系统提供丰富的数据源。本文采用数据交换的公共语言XML作为信息抽取工具,研究了基于XML的Web信息抽取技术。由于HTML语法松散,基于HTML代码分析的抽取只能在理想的情况下才适用;而编写网页的目的是为了在浏览器中浏览,所以视觉信息才是分析网页最有力的工具。因此,本文研究了基于页面分块的全自动Web页面抽取算法。基于页面分块Web页面自动抽取算法充分利用网页视觉信息,通过页面分块的方法实现Web页面的自动抽取。实验证明,该算法具有较高的抽取效率和抽取准确性。为满足不同抽取应用对准确性、易用性、适应性和抽取效率等的不同要求,本文针对开放、动态的Web环境,提出了可伸缩的Deep Web信息抽取系统设计方案,在此基础上实现了Deep Web信息抽取原型系统,并将相关技术用到了贵州省信息产业厅2008年信息化专项资金项目——科技文献异构数据库共享检索平台中。