本论文根据目前新闻检索领域遇到的问题,针对性的提出解决方案。在新闻搜索和推荐过程中,作者发现,人们往往关注于新闻中出现的人物、新闻发生的地点、以及新闻中出现的组织。如果新闻系统获取到了新闻中的人物、地点和组织,那通过这样的方法就可以来向最近关注过本新闻中出现的人物、地点和组织的读者推荐当前新闻。在新闻搜索过程中,如果用户直接搜索新闻中出现的关键词,如人、地、组织等,系统就可以及时作出响应,降低了检索花费的时间。本文主要内容分为两个部分。第一部分作为新闻本文语料信息抽取的模型的研究,制定了新闻本文语料需要抽取的三个主要部分为新闻的实体、主题和摘要的方案。首先,本文分析了传统的命名实体识别模型存在的问题,提出了基于BI-LSTM和CRF组合的算法结构的解决方案,并对命名实体识别模型的个性化识别进行定制化的训练,经验证该方法可以有效的提取出个性化需要的实体。其次,本文分析了以LDA为例的主题抽取方法的原理以及存在的问题,提出了循环神经网络结构训练词向量的方法解决不同语境下词语存在相似含义的解决方案,并且根据解决方案进行了相关的实验验证。最后,本文提出了一种训练循环神经网络词向量和排序结合的方法,大大缩减了排序算法本身计算词之间相似度计算速度的解决方案,并且验证在损失很少的精度下,新闻摘要的抽取速度显著提升。第二部分作为新闻内容分析系统的设计与实现,本文完成了对系统的定义、总体设计、详细设计和测试验证,将新闻的实体、主题和摘要抽取的模型应用到了新闻内容分析业务的系统中。最后作者将提出的对新闻的实体、主题和摘要提取的新模型方案应用于智能聊天助手的新闻业务系统,该系统可以为大规模数据量的新闻业务提供快速且稳定的对外数据输出服务。