本文对应用于信息抽取的三种算法进行了研究。本文首先分析了在文本信息抽取中如何建立隐马尔可夫模型(Hidden Markov Models, HMM)的结构和参数训练等问题,运用改进的HMM和数据稀疏平滑技术结合特征提取对基于分块的文本进行抽取,实验证明,召回率和精确度比基于单词和传统HMM的方法都有很大的提高,并提高了效率。在改进HMM和Viterbi算法这种几乎是信息抽取领域标准算法的同时,本文也提出利用反向动态规划和正向A*算法进行信息抽取,并建立了一个信息抽取系统。本文对美国CMU大学CORA搜索引擎研制组提供的数据集中的100篇进行了测试,结果显示启发式算法的性能优于Viterbi算法。在中文的命名实体识别方面,本文也做了一些研究。本文设计了一个中文姓名抽取系统,该系统采用神经网络进行汉语句子的分词处理,继而根据姓名后置特征词进行姓名的抽取,成功解决了尾字和下文成词的姓名抽取问题。