在信息时代下,互联网促进了人类社会的发展,给人们的生活带来了极大改善。网站作为互联网内容的重要组成部分,已经成为人们获取信息、交互信息、利用信息的重要途径。然而大部分网站在最初设计时只关注信息通道交互顺畅人群的用户体验,忽视了信息通道受阻人群的特殊需求,使得残疾人、老年人、儿童等特殊人群在访问网站时困难重重。因此利用网站无障碍评估发现存在障碍的网页,并获取网站的无障碍水平成为信息无障碍领域重要研究课题。现阶段网站无障碍评估还不能实现完全自动化检测,大量检测内容需要人工参与。这种情况下,巨大的人工开销和漫长的检测过程使得无障碍评估无法大规模运用在各类网站上。为了解决这个问题,网页抽样方法被广泛引入,通过选取少量具有代表性的网页进行无障碍检测,使得检测内容得到大量压缩,极大降低人力开销,加快检测过程。但是,网站无障碍评估的特殊性使得已有的大部分抽样算法不能直接运用在网站无障碍评估中,且目前广泛使用在网站无障碍评估中的抽样方法仍存在一些尚未解决的难点和重点问题:1)抽样方法没有针对无障碍度量指标进行优化;2)抽样方法易受网站包含的网页数量、样本数量、无障碍度量指标等因素影响;3)在多网站同时无障碍评估时,已有样本数量分配方法会造成人工资源分配不合理,总抽样误差偏大等问题。本文主要针对网站无障碍评估中已有抽样方法尚未解决的难点和重点问题,提出了基于度量指标WAQM的抽样算法、基于主动学习的网站无障碍抽样和评估算法、基于多网站协同的网页抽样和评估算法,具体地:(1)针对现有网站无障碍评估中,抽样方法没有对无障碍度量指标进行优化,本文提出了一种基于 WAQM(Web Accessibility Quantitative Metric)无障碍度量的抽样方法OPS-WAQM。该方法通过构建基于WAQM的误差模型,优化每层抽样数量,使样本的无障碍水平更接近网站真实的无障碍水平。针对快速网站无障碍评估的需求,本文还将OPS-WAQM方法进一步进行在线扩展。(2)针对抽样方法易受网站包含的网页数量、样本数量、无障碍度量指标等众多因素影响,本文提出了基于主动学习的网站无障碍抽样与评估方法。该方法首先通过主动学习选取具有代表性的样本网页,然后利用这些样本网页学习预测模型,最后通过预测模型得到所有网页的无障碍评估结果。(3)针对多网站无障碍评估任务中,已有抽样数目分配方法会造成人工资源分配不合理,总抽样误差偏大等问题,本文提出了一种基于多网站协同的网页抽样和评估方法。该方法根据网站本身的特性,为每个网站确定合适的样本数量和样本集合,合理分配人工资源,降低总抽样误差。