当前海量异质、快速增长的网络资源带来了“数据过剩”和“知识贫乏”的矛盾,增大了人们及时获取有用知识的难度。本文以网络环境下的异质数据源为研究对象,探寻各种数据中知识发现的可行性,按照“模型提出—算法实现—数据验证”的思路,研究如何有效地利用和挖掘网络数据资源,获取潜在的、有价值的领域知识。1.提出了网络环境下的领域知识挖掘模型。该模型是一个包括数据层、知识层和应用层的三层模型,指导从异构数据源中挖掘多维度知识以提供多种知识应用。基于该模型,论文以网络科技文献、博客日志和社会化标注为研究对象,进行了三种具体的领域知识挖掘实践研究。2.提出了一种新的概率主题模型：Topic-Author模型。该模型对科技文献的文本信息和作者信息进行联合建模,深入对文献的分析。基于此模型构建了一个多维度文献知识挖掘框架,进行概念挖掘、专家发现、文献推荐,研究趋势分析、主题关系挖掘等领域知识的发现和应用。3.提出了一个Blog知识挖掘框架,进行主题挖掘、观点分析和扩散研究。利用文本聚类和主题模型两种文本分析方法,挖掘Blog日志内容中的潜在概念,并对其进行观点分析。研究了社会化网络的扩散模型,总结了实现扩散最大化的方法,提出了一种改进的门槛扩散模型。4.分析了基于社会化标注的集体智慧和Web环境下的知识组织分类法,进行了社会化标注的语义知识挖掘,提出了一种轻量级本体构建方法。该方法依据所提出的基于加权网络分割的社会化标签聚类算法,进行语义聚类和语义分层。研究结果表明,论文所提出的领域知识挖掘方法,能够发现大量有价值的、潜在的多维度知识,为用户提供多种知识应用服务,支持信息时代的知识获取与学习。