本文针对当前互联网环境及对文本情感分析技术的需求,研究了Blog检索中的网页信息抽取和文本情感分析问题,主要创新工作和成果如下:第一,提出了一套高效、健壮的网页文本抽取算法。该算法克服了主流的基于DOM模型的网页文本抽取算法性能的性能缺陷,首次以SAX接口实现了对页面框架结构信息的利用。提出了基于全局噪声信息去重的方式提取页面正文的方法。该方法被应用在TREC Blog06数据集上,在将文档集规模压缩87.5%的同时,提高相关性检索性能指标52.5%以上。第二,提出了基于统计模型的情感分析中的几组关键特征。对情感分析中词汇的N-gram特征及其各种权重计算方法、词性特征、否定词特征和同义词扩展特征在当前情感分析领域的应用和效果进行了分析。通过词级别和句子级别的情感极性分类实验,分析了几种特征及其各种组合的应用效果,发现词性、否定词等高级文本特征在用于词级别情感分析时需要与位置信息结合,同时这些高级特征在使用基于统计的分类模型进行句子级别情感分类时效果不如单纯使用词的Unigram特征。使用本文发现的特征组合,词级别情感极性分类准确率达到88.6%,句子级别情感极性分类准确率达到83.9%。第三,实现了一套Blog观点发现系统。该系统引入网站全局噪声信息净化网页,创造性的结合段落和篇章全文级别的检索结果,从而大幅度提高了话题相关性检索性能。在2008年的TREC Blog测试中,该系统由于表现出色被列为后续任务的基准系统。