新闻网页以简明扼要的文字,迅速及时地报道国内外新近发生的、有价值的事件信息,是广大互联网用户的信息来源之一。如何有效提取新闻网页信息受到越来越多的关注。近年来,随着用户对新闻数据质量要求的提高,以及网页新闻不断升级的多媒体报道方式,使得新闻网页信息提取中存在三个需要解决的难题:1)适用多来源新闻网页。单一来源新闻信息已无法满足用户的需求,亟需多来源新闻网页均适用的信息提取方法;2)提取新闻网页多属性信息。网页新闻是由不同属性使用价值的文本内容组成,如:标题、时间、来源、正文和相关新闻。将新闻网页中的内容信息分属性提取,可以最大限度挖掘数据的潜在价值;3)提取碎片式文本信息。新闻网页中加入大量的图片和视频内容,将原本联系紧密的新闻内容分割成碎片式文本信息,导致新闻信息提取的效率和正确率均有不足。针对上述问题,结合网页新闻的文本特点,本文分别提出了多维度文本特征新闻网页信息提取方法（NEMTF）和增强文本语义的新闻网页信息提取方法（ETSF）。深层次分析新闻文本的内在特征联系,并将文本特征作为提取新闻信息的重要因素,完成新闻文本和新闻属性的匹配。本文研究对新闻网页信息提取做出了积极的探索,具有较强的实用价值和现实意义,为后续的相关工作（如:新闻热点发掘、舆论分析和新闻溯源分析等）打下基础。主要工作内容如下:NEMTF方法针对多来源新闻网页难以适用的问题,从多来源新闻网页的纯文本内容入手,研究和挖掘其中隐含的文本特征,使其能在不同来源新闻网页中稳定的表达出新闻信息之间的联系,以此代替现有方法常用的HTML标签。同时,NEMTF方法针对难以提取多种属性新闻信息问题,从不同角度将文本特征进一步细分为写作特征、位置特征和语义特征。通过卷积神经网络的不同通道学习这些独立的文本特征向量,使其互为补充,输出一个更具识别度的多维度文本特征,以此来提取网页中多种属性的新闻信息。实验结果表明,NEMTF能够在多个来源的新闻网页中有效的获取多种属性的新闻信息。ETSF方法针对新闻网页中碎片式文本信息的提取问题,使用不同级别的文本语义数据,通过卷积神经网络（CNN）和双向长短期记忆（Bi-LSTM）网络增强语义特征,以此来提高新闻网页中碎片式文本信息的提取正确率和有效性。实验结果表明,ETSF方法能够有效的提取出新闻网页中碎片式文本信息,进一步提高了从多来源新闻网页中提取多种属性新闻信息的性能。