随着互联网技术的发展,文本信息呈指数式增长,人们在文本信息处理和阅读中将花费大量时间和精力。关键短语技术是一种可以从文档中快速获取重要信息的方法,能在一定程度上缓解信息爆炸给人们带来的问题,并广泛地应用在了信息检索、文本分类、问答系统等任务中。关键短语技术按照短语的组成方法进行区分,可分为关键短语提取技术（方法）和关键短语生成技术（方法）。提取式方法通过评估原文中短语的重要性得分,从原文中提取出重要的词语组成短语,而生成式方法则利用了前沿自然语言处理技术,从原文中生成一系列短语。与提取式方法相比,生成式方法存在着未登录词、短语冗余和难训练等问题。近几年来,深度学习领域的研究在很大程度上推动了生成式关键短语的发展,但仍未有效地解决以上问题。因此在实际应用中,提取式方法仍占据着主导地位。当前主流的提取式方法主要是基于词图,该方法以词图为研究对象,计算词图中每个词语的重要性得分,最后依据词语重要性得分确定关键短语。本文对提取式关键短语进行了研究,主要从以下三个方面进行展开:（1）以TextRank算法为基础,利用LDA主题模型学习每个词语在特定文档下的主题分布,将该分布的信息熵作为随机游走过程中每个词语随机跳转获得的重要性值,提出了 EntropyRank算法。（2）以TextRank算法为基础,计算词语在单词级别和句子级别的相关性,将不同级别的相关性进行融合重构词图中两词语的连边边权,提出了 VSRank算法。（3）以Deep Graph Infomax（DGI）算法为基础,利用标题在整篇文档中的主导性,引入循环神经网络和注意力机制,以丰富文档的主题表示,提出了 T-DGI-KE（Title-enhanced Deep Graph Informax for Keyphrease extraction）算法。最后,本文在摘要、新闻和论文数据集上进行了实验,并对实验结果进行了定量分析与定性分析,验证了本文方法的有效性。