科技期刊是专业出版自然科学技术的期刊。科技期刊的信息抽取与收集是构建学术服务平台、深入开发利用知识资源的基础和大规模整合知识信息资源、提高整体资源综合利用价值和附加价值的有效途径。由于期刊覆盖的领域很广,网页设计也极为复杂,大部分论文网页都经DIV+CSS等Web技术进行渲染,很难大批量地直接从期刊网页中提取出期刊论文的信息数据。因此,如何大规模地自动识别并准确提取所需粒度的论文网页数据是本文的主要研究内容。传统的网页抽取技术主要基于DOM树结构,并且提取到的网页数据信息粒度很粗,不能对科技期刊这种结构复杂并对数据有特定需求的网页进行有效提取。近年来,不少学者将自然语言处理模型运用到网页信息提取当中,并在简单网页中获得一定的提取效果。但是随着新生网页技术的运用和网页复杂度的增加,自然语言处理（NLP）的应用逐渐变得不那么得心应手,原因主要是:（1）NLP处理对于结构复杂网页的分块操作要求比较苛刻,传统的网页分割技术无法获取到NLP模型所需要的输入数据粒度,严重影响了 NLP的识别效果;（2）目前在网页提取技术中运用的NLP模型多为简单的文本分类模型,在面对语法结构相同但语义不同的数据时难以准确分类,比如科技期刊论文网页中的参考文献和相似文献。本文以对信息粒度有明确需求的科技期刊网页作为研究对象,提出了一种可控粒度的基于文本内容融合和深度学习的期刊网页信息的提取方法。该方法分两个阶段:第一阶段:针对传统网页分块算法无法根据语义对科技期刊论文网页进行细粒度分块的问题,提出了基于文本内容融合的网页分块算法。首先根据论文网页中相同类别信息之间的强关联性,定义一系列启发式规则和文本间相似度的计算方法。然后将浏览器渲染之后的网页进行解析并重构DOM树,并获取网页元文本和元文本在网页上所对应的元文本属性信息。根据这些信息和定义的启发式规则,将相似的元文本进行融合,从而达到信息聚合和对页面进行分块的效果,并得到所需粒度的文本信息块。实验证明,该算法在不同数据集上的分块准确率均比VIPS高出很多。第二阶段:针对现有的文本分类模型对不同语境下的相似或相同的文本无法区分的问题,提出了一种新的基于深度学习的网页信息分类模型。新模型使用BERT将第一阶段获取的文本信息块包含的文本进行更具有长远意义的表达,并选取更有效地特征进行量化和特征增强,然后通过双向长短时记忆神经网络（Bi-directional Long Short Term Memory,BiLSTM）学习页面级的上下文关系,从而实现准确分类,最终实现对网页信息的提取。最后,实验显示新模型在各数据集上的F1值均在92%以上,最高达到了 98%以上,比其他基线模型都要高,同时在混合数据集上的F1值也远高于其他基线模型。