随着因特网技术的迅速发展,网上信息成几何级数增长,如何自动处理这些海量联机文本信息成为目前重要的研究课题。文本信息抽取是指从一段文本中抽取指定的信息(例如事件、事实),并将其形成结构化的数据填入数据库中供用户查询使用的过程。自动文本信息抽取是处理海量文本的重要手段之一。本文研究基于包装器模型的文本信息抽取算法。本文首先总结了三种常见文本信息抽取模型,对比了三种文本信息抽取模型的优缺点,着重研究基于包装器模型的文本信息抽取。在分析了基于包装器模型的文本信息抽取典型归纳学习算法的基础上,利用页面的一些重要特性,例如注释和文本模式信息,提出了一种新的归纳学习算法,新算法将注释信息加入到抽取规则的有限状态机的状态序列中,从而能有效地降低算法搜索时间,并能对目标信息进行充分的定位;并且新算法能用学习到的文本模式信息对抽取结果进行必要的过滤。分析和实验结果表明新的算法具有较高的抽取精度和召回率。针对WEB页面结构多变、包装器易于失效这个缺陷,本文提出了一种新的包装器平衡算法,该算法能利用页面上一些不变的重要特性信息来确定数据项的位置,然后对包装器进行修复,从而维持包装器的平衡。实验结果表明,新的算法能适应绝大多数WEB页面的变动,能自动产生新的归纳学习算法,并且具有较高的抽取精度和召回率。考虑到训练数据的手工标记成本很高,本文将主动学习的一些算法应用到上述新提出的归纳学习算法中,用主动学习算法来选择实用价值最高的信息来让用户标记,由此可有效地减少由于用户盲目性而产生的过多的手工操作。