随着Internet的发展,web上的信息正爆炸式增长,由于信息的无序性以及人们不满足于自己去检索必要的信息,等等诸如此类的需求推动了web文本信息抽取的研究。但是目前信息抽取中使用的主要技术,存在一些问题,比如自适应性不好,统计能力不强等,造成抽取结果中的准确性和召回率较低,通过分析以上问题,本文提出了一种基于混合模型的方法,能较好的改善上述问题,提高抽取质量。本文通过介绍在文本信息抽取领域使用的两种主要技术:隐马尔可夫模型(HMM)和BP网络,并分析了二者的优缺点,HMM是一种优秀的统计学模型,其优越的时序性,动态性和优秀的建模能力已经使得该模型成功应用于各个领域,但其适应性交差,并需要大量的训练数据;BP网络有优秀的决策能力,对不确定信息的描述能力以及自适应性较强,但是该模型时序性不强,而且需要特定的输入条件。在此基础上研究如何通过隐马尔科夫模型和神经网络模型的结合,来提高目前信息抽取方法的准确性和召回率。通过分析发现,两种模型在优缺点上互补,将HMM与BP网络结合在一起,可以即克服HMM在分类能力以及适应性上的不足,又可以弥补BP网络需要特定输入和建模能力弱等缺陷。在分析了前人对信息抽取技术的改进后,本文采用对待抽取文本进行分块的方法,首先将文本进行人工标注,然后对各状态进行多HMM训练,将HMM训练后的最佳状态输出概率作为BP网络的输入,在BP网络中进行映射,运用BP网络分类能力强的特点对文本状态进行映射分类。实验结果表明,该混合模型比传统的HMM模型或者BP网络的分类能力在准确率上有了约15%的提高,在分析了实验结果以及网络结构的基础上,通过对BP网络的算法进行改进,使得在抽取过程中,分类效果尚不明显的易混淆状态在准确率上又有了4%左右的提高。