近年来,随着互联网、物联网和智能移动终端技术的飞速发展,泛在网络的广度与深度也随之增加,与之而来的就是泛在信息的爆发式增长。作为泛在信息的一种重要表现形式,泛在统计图表能将繁冗的统计数据以直观形象的形式展现出来,在地理信息表达和传输等领域应用广泛,其中包含了大量具有重要价值的信息,实现泛在统计图表中信息的智能解译可以为各种地图产品的具体应用提供数据支撑。泛在统计图表的数据格式为栅格型图像,因此可以依靠计算机视觉的相关技术完成对泛在统计图表的分类与信息提取工作。由于不同类别统计图表通过不同的图形对数据进行展示,因此进行泛在统计图表信息智能解译的基础是依据图形特征对泛在统计图表的自动分类,之后根据统计图表类型标签采用不同的信息提取方法。然而,由于泛在信息具有离散化、噪声大、模糊性强、非结构化等特征,现阶段依靠单一特征的分类与信息提取方法难以取得良好的效果。因此针对泛在信息的特征,研究适合泛在统计图表的自动分类与信息提取方法具有重要实用意义。本文在泛在统计图表的分类与信息提取方法方面开展深入研究,通过分析当前统计图表的分类与信息提取方法上存在的问题,提出了四类常见泛在统计图表的分类模型,并对泛在统计图表的视觉特征进行了归纳与总结,最后以柱状图表为例探索泛在统计图表的信息提取方法,论文主要工作如下:（1）对迁移学习相关理论进行了研究,建立了一种基于迁移学习的泛在统计图表自动分类模型,并通过参数优化与模型结构优化的方法对分类模型进行针对性改进。（2）针对泛在统计图表自动分类模型泛化性不足的问题,以地图符号的视觉变量理论为基础,对泛在统计图表视觉特征进行了定量描述,提出了一种考虑泛在统计图表视觉特征的数据增强方法,并采用该方法对泛在统计图表自动分类模型的训练数据集进行了数据增强。（3）对泛在统计图表的信息提取思路与流程进行了梳理,提出了一种基于Paddle OCR与色彩特征的泛在统计图表信息识别与提取方法,以柱状图表为例说明了各类信息提取算法的原理,并通过实验验证了算法的可行性。