随着越来越多的信息以电子文档的形态存在，文本处理相关软件也日益增多。在文本处理领域，传统单一格式文档处理系统在扩展性和通用性方面已经不能满足需求。对于文本特征的选择，现有技术主要是从词的频率和词的语义信息两个方面进行处理，忽略了词在源文档中的重要程度。本文针对以上问题，以军事领域文档处理为背景，为多格式文档定义了一种统一的半结构化文本模型，有效地保留了词在源文档中的语义结构信息。在此基础上研究了HTML、XML、PDF和WORD文档的内容抽取和特征选择技术。在HTML正文抽取中，改进了基于DOM树的网页正文抽取算法。此外，针对现有文本特征选择算法存在的问题，提出了一种基于信息增益和内容属性的特征选择算法，有效地降低了特征维度，使得所选出的特征集合具有更强的区别度。在对内容抽取和特征选择技术研究的基础上，设计并实现了多格式文档抽取系统。最后，通过实验验证了改进后的HTML正文抽取算法以及基于信息增益和内容属性的特征选择算法的高效性，同时对多格式文档抽取系统进行了功能测试，实验证明系统达到了设计要求。