互联网的飞速发展使Web信息量不断膨胀,网络正在迅速深化。由于大量的信息都隐藏在查询接口之后,无法利用传统的搜索引擎技术获取,这类信息被称为DeepWeb。高速增长的DeepWeb信息已成为人们进行信息获取的重要来源,但由于DeepWeb信息的异构性和动态性,使用起来非常不方便,因此,面向Deep Web的数据集成系统便应运而生。本文对Deep Web数据源发现和分类所涉及到的相关技术进行了深入研究,并提出了相关模型和机制,有效的解决了传统方法的局限性。主要研究工作包括:1.讨论了一种利用搜索引擎来发现数据源的方法。为了能够向搜索引擎提交高质量的关键词,将本体作为等级化组织词汇的架构引入到初始词构建过程中。对所有词汇按照在当前领域中出现频率高低进行分类,并根据搜索引擎返回接口集元素数量进行二次分类,确保关键词是对发现数据源查询接口贡献较大的词汇。2.提出了一种利用模糊集和概率模型分类数据源的方法。对各领域中的词汇按照其对当前领域的贡献程度分为特征词和常用词。为了能够在网页文本中找出更加精确的词汇,将模糊集作为归一化词汇的工具引入到特征词集和常用词集精简的过程中,并且将归一化后的词汇在各领域上建立概率模型,通过计算数据源表单向量与各领域向量之间距离来分类。3.研究了一种网络表单分类器改进机制,该机制主要将pre-query和post-query技术结合来使各种分类错误的表单进行二次分类,使这些表单能重新分类到正确的领域中。在分类前利用各领域间的相互关系建立图模型,使表单同时分类到当前领域相关的多个领域集合中,再将各领域表单集合的交集进一步通过探测查询进行分类,使得表单分类更加精确化。本文进行了大量的实验,验证提出的各种理论和方法,同时提出了有待进一步深入的问题,实验结果表明本文提出的方法技术是可行有效的。