互联网自诞生以来迅猛发展,数据呈现爆炸式增长的趋势。互联网上的数据具有独特的特点,其中的大部分数据都是非结构化的文本,不同主题的数据分散在互联网的不同节点上,这给用户有效利用互联网数据带来了极大困难。用户对于数据源的需求往往是面向主题的,搜索引擎的出现使得人们可以向搜索引擎提交查询来获得某一主题的数据源。然而搜索引擎提交查询时采用关键词的形式,单个的关键词不能准确表征一个主题。同时,使用单个主题关键词进行搜索会返回大量与查询主题无关的数据源,需要用户花费大量时间筛选返回结果。如何快速对搜索引擎返回的大量数据源进行主题识别成为一个热门研究问题。本文通过对现有数据源识别方法进行分析,发现现有数据源识别方法仅仅考虑数据源内容与查询的相关度,而数据源与查询的相关度与很多因素有关,本文提出将数据源文档数量、数据源权威性、数据源主题相结合计算数据源与查询相关度,进行主题相关数据源识别的方法,主要贡献如下:(1)提出了基于Web的主题相关数据源集成框架。针对单个通用搜索引擎对特定主题查询的返回结果覆盖率低、数据量庞大等问题,本文集成多个搜索引擎进行主题数据源查询来提高搜索结果的查全率,通过向集成接口提交若干主题查询词以及查询词权重、收集不同搜索引擎返回的数据源、合并数据源、计算数据源与查询的相关度、主题相关数据源排序等步骤获得主题相关数据源。基于该框架进行主题相关数据源查询不仅提高了查全率也提高了查准率。(2)提出了一种基于Web的主题相关词集构建方法。针对数据源识别研究中需要扩展查询主题词的问题,本文通过对现有关键词提取工作进行分析,发现现有关键词提取的相关方法主要针对特定文档提取关键词,不能直接应用于提取某一主题相关的词集,本文提出了一种基于领域专家知识和大规模Web数据信息构建主题相关词集的方法,使用该方法获得的主题相关词集不仅可以应用于主题查询词还可以作为查询文本。(3)提出了一种基于Web的主题相关数据源识别方法。针对现有数据源识别方法考虑因素单一的问题,本文首先将主题查询词提交给不同的搜索引擎获得数据源,通过数据源在不同搜索引擎中的排名以及主题查询词的权重获得数据源外部影响因子,然后获得数据源以及查询的主题概率分布并计算主题概率分布之间的相似度,结合数据源外部影响因子和数据源与查询主题概率分布之间的相似度,计算数据源与用户查询之间的相关度并进行排序,最后选择相关度高的数据源作为返回结果。本文通过实验验证了该方法的可行性。