随着互联网技术日新月异的发展，web已经成为一个巨大的信息源，拥有着海量的重要数据。目前数据挖掘在许多领域应用广泛，如：金融、医疗保险、市场分析等。通过分析挖掘得到的数据，可以获得许多有用知识，最大程度的进行辅助决策。然而，Web数据的特点是数量多，形式异构，自治的，分布存储，这使得Web数据挖掘的分析工作变得尤为困难，所以当务之急是对数据进行集成，为高质量数据分析奠定基础。根据web中所蕴含信息的“深度”，可以将web分为Surface Web和DeepWeb。在数量和质量上，Deep Web远远超过了Surface Web，具有较高的应用价值。因此，如何进行抽取Deep Web中的数据，以便于更有效的分析，具有重要的现实意义和广阔的应用前景。Internet上的各个网站的信息相互独立，Deep Web数据收集起来十分困难，在这种情况下，通常的搜索引擎发挥的作用微乎其微。虽然手工编写信息的抽取规则准确率较高，但技术门槛低，而且由于信息源的多元性和改版的潜在风险，手工方法无法满足人们对信息获取的需求。在这样的背景下，可以发现Deep Web信息自动提取技术的实现与研究是一个非常重要的问题。针对这一问题，本文在Deep Web信息自动抽取技术方面，包括基于网页视觉信息、机器学习训练模型、Deep Web数据区域定位、数据项的对齐等方面，进行了深入而系统的研究，同时开发了Web信息自动抽取系统。本文具体的研究工作和研究成果如下：(1)基于页面中的视觉信息，分割网页得到视觉块树，然后在视觉块树上，整合数据区域判定所需的视觉属性，得到进行实验的训练集。(2)使用机器学习的有效工具进行训练，结合人工编写的规则进行去重去噪，准确地完成了Deep Web数据区域的查找和定位。(3)提出了有效的对齐规则，大大提高了数据项的对齐准确率。(4)在以上研究内容的基础上，设计开发了Deep Web信息自动抽取系统，系统实现功能包括：1)网页视觉块树的转换；2)数据区域的自动定位；3)数据项的完整抽取与对齐；4)生成Wrapper；5)实现了自动翻页功能实现表明，本文提出的技术方法可以在基本无人工干预下快速、自动地抽取列表页面的丰富数据。