互联网信息抓取是利用计算机自动从互联网中获取信息的方法,在搜索引擎,情报收集系统中得到广泛应用。传统抓取技术主要研究对全网数据抓取策略的调优,以保证信息的新鲜度。但是全网抓取会导致信息处理深度不够,专业性不强,无法满足企业的信息需求；而且大多数中小型企业并没有足够的计算资源支持全网信息抓取,所以基于主题的抓取系统应运而生。随着聚焦爬虫概念的提出,基于特定主题的抓取系统研究开始受到研究者的关注。如何使用最少的计算资源,抓取到尽可能多的主题相关页面是主题抓取系统面临的主要挑战。其中涉及到三个关键的问题：1)如何定义用户主题：2)如何进行网页主题判断；3)如何预测待抓取URL的主题相关性,并制定相应的抓取策略。本文深入研究了基于主题的互联网信息抓取技术,分析了其中的关键问题,并提出了相应的解决方案,主要贡献如下：1)针对主题抓取系统的三个特点：主题需求的开放性,主题聚焦的层次性和主题信息的局部性,提出了基于主题知识库的互联网主题信息抓取框架。围绕主题知识库,提供了综合主题需求表达方式,知识学习流程和网页主题判断方法。通过主题富饶域挖掘模块进一步优化抓取效率。2)针对主题表达的开放性和动态性问题,提出了基于稳定词集的主题需求封闭流程,并在此基础上进一步提出了基于迭代式扩展-过滤框架的稳定词集构造方法。通过频繁项挖掘和LDA分析两种方法对核心主题词进行扩展,并使用知识库对扩展词集进行过滤。实验表明此方法获得的稳定词集具有较强的主题代表性。3)针对主题聚焦的层次性问题,提出了基于本体的网页主题判断算法,并应用于主题爬虫。利用本体中的概念以及概念间的位置关系,对网页信息进行主题降维,并通过本体综合加权提高主题判断的准确性,从而提高主题抓取的收获率。通过实验与其他的降维方法进行比较,证明了利用本体进行主题降维的有效性。4)针对互联网信息的主题局部性特点,提出了基于主题富饶域的抓取策略。主题富饶域优先(TRDF)算法根据主题浓度将主题域分为三个不同集合,针对不同集合采取差序化抓取策略。实验结果表明TRDF策略在准确率和召回率上均优于现有算法。