随着Internet及其技术的快速发展,互联网已然成为了当今最大的信息载体。然而,大部分网页中往往不只包含有价值的信息,更包含着诸如广告、导航信息、版权声明等与网页主题无关的信息。这些噪声信息很大程度上影响了互联网信息资源的利用。另一方面,在大部分传统的主题信息抽取方法中,重点在于区分主题信息和噪声信息,但对于抽取后的主题信息数据缺乏结构化组织,导致标题、正文、时间及作者信息部分或全部杂糅,抽取的数据粒度过粗、可用性较差,不适用于资讯推荐等场景。因此,本文主要针对细粒度的主题信息抽取展开研究。此外,传统的主题信息抽取方法高度依赖于网页HTML风格,随着HTML标准的更新和网页HTML风格的变化,传统方法抽取效果均出现了不同程度下滑。针对此问题,本文尝试引入了更加鲁棒的自然语言语义特征,进一步提升了主题信息抽取的准确率及鲁棒性。主要工作总结如下:（1）设计了DOM节点表征模型BERT-HTML,结合双向GRU模型和多头自注意力机制进行标签路径特征提取,基于微调BERT模型进行语义特征提取,最终该模型在中英文测试集上分别取得了0.9818和0.9885的宏平均F1值。（2）设计了考虑正文标题语义相似度的主题信息抽取算法WIESS。WIESS算法核心为正文信息的准确抽取,该算法在传统文本统计特征和HTML特征基础上额外考虑了语义相似度特征,并通过机器学习算法完成正文段落分类,最后通过正文总节点投票算法获得完整正文信息。对于标题、时间、作者等三项主题信息,WIESS采用启发式方法抽取。（3）针对WIESS算法及传统细粒度主题信息抽取算法对于时间、作者两项主题信息抽取效果差的问题,设计了考虑DOM节点文本语义的抽取算法WIEBH。不同于WIESS算法仅针对正文标题考虑语义相似度特征,WIEBH借助DOM节点表征模型BERT-HTML考虑更一般的语义特征,并获得节点关键信息的向量表征。最后基于向量表征,对DOM节点分类,进而完成主题信息抽取。（4）通过消融实验证明了语义相似度和语义特征在主题信息抽取中的作用;通过同传统方法的对比实验证明了本文提出的两种方法具有更好的抽取效果以及更强的鲁棒性。