海洋运输是国际物流中主要运输方式之一,近些年,海运业务往来主要采用电子邮件的传输方式,海运物流公司通过人工去处理并汇总邮件信息,但由于邮件内容的非结构化特点,人工处理效率较低,极易出现信息识别错误、遗漏关键信息等问题,同时要求业务人员拥有较强的专业能力。因此,针对海运邮件领域的抽取技术应运而生。海运邮件的类别包括货物邮件、船舶动态邮件、交易信息邮件等。其中货物邮件为货主所需运输货物的基本信息,由于此类邮件数量较多且内容较为复杂,因此本文选取海运货物邮件作为研究对象。本文探索海运货物邮件的抽取方法,设计并实现了海运货物邮件信息抽取系统,具体研究内容如下:1.提出基于深度学习的海运货物邮件信息抽取方法。该方法在Bil STM-CRF模型的基础上,融入多头注意力机制（MHA）,形成Bi LSTM-MHA-CRF抽取模型。多头注意力机制可以从不同维度和表示子空间里提取相关信息;卷积神经网络（CNN）提取词的字符级特征,并结合词向量作为Bi LSTM-MHA-CRF模型的输入,有效提升了抽取效果。2.提出了集成深度学习与规则匹配的海运货物邮件信息抽取方法。针对深度学习方法提取部分实体效果不佳的问题,设计正则表达式规则进行信息抽取,提出集成深度学习与规则匹配的海运货物邮件信息抽取方法。该方法通过总结各实体特点,对比各实体在深度学习方法与规则匹配方法中的表现,结合两种方法各自的优势来提高抽取效果。3.构建半自动标注的实验数据。针对传统人工标注数据成本过大等问题,采用CRF开源工具并考虑词、词性、实体边界和后缀词四种特征,完成特征模板的设计,预测未标注语料,从而减缓人工标注的压力,解决训练数据缺乏的问题。4.实验验证提出方法的有效性。实验表明,基于深度学习的海运货物邮件抽取效果F1值达到75%,集成深度学习和规则匹配的抽取方法F1值为80.3%,该方法在效果均优于深度学习与规则匹配的方法,验证了其有效性。5.设计并实现海运货物邮件信息抽取系统,该系统包含邮件管理、抽取管理、抽取应用管理和系统管理四个功能模块,系统通过测试,可满足实际使用。