关键词抽取是自然语言处理领域中重要的基础技术，被广泛应用于信息检索、文本聚类、文本分类等方面。目前，互联网中的资讯规模急速增长，包含了大量富有价值的数据，关键词是检索及分析互联网信息的重要手段。但是，相当数量的网页没有标注关键词，通过人工标注是一个繁重而又困难的任务，因此，需要一种自动抽取关键词的方法。同时，以微博为代表的新兴信息传播平台出现，具有与传统媒体不同的传播特点，需要对传统文本关键词抽取方法做出改进。此外，互联网具有传播快速和参与广泛的特点，使得大量新词不断涌现，也给中文信息处理带来了挑战。　　 本文从两个方面研究互联网信息：以网页为代表的长文本信息、以微博为代表的短文本信息，主要研究工作如下：　　 针对网页信息，提出一种基于语义扩展模型、分步骤的无监督关键词抽取方法。首先，选择词语的网页结构特征、词性、词长、TF-IDF值等特征，通过聚类算法抽取候选关键词；然后，根据n-gram语言模型理论，引入邻接变化数等特征构建基于词的语义扩展模型，通过无监督方法将候选关键词扩展为关键词串。实验数据表明，该方法能在一定程度上改善针对未登录词及短语的抽取结果，提高中文网页关键词抽取结果的质量。　　 针对海量微博信息，提出一种多步骤的热词抽取方法。首先，选择用户行为特性、微博信息的文本特征构建用户行为模型，并在此基础上，提出一种基于规则的话题树生成过滤算法，筛除微博中大量无关信息，进而对生成的话题树修剪优化；然后，根据话题树的节点内容，使用词频及其波动特性设计热词抽取算法，获取微博的热词信息。实验数据表明，该方法能大大减小输入的数据规模，同时保留重要信息，从而较好地实现热词抽取。　　 最后，在上述研究工作的基础上，本文设计了一个互联网关键词自动抽取系统，系统实现对网页及微博的自动抓取，并且抽取其中的关键词，实验证明，获得的结果具有一定的可读性及实用性。