对本体的研究在计算机领域变的越来越广泛，但手工构造本体是一项繁琐而辛苦的任务还会导致知识获取瓶颈。本体学习(ontology learning)技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体的半自动构建。本体学习涉及到从输入数据中提取本体学习内容(概念知识)并用这些内容构建本体。现实世界中的数据种类很多，例如纯文本以及XML，HTML，DTD等，大部分都可以作为本体学习的数据源。针对不同类型的数据源需要采用不同的本体学习技术。根据数据源的结构化程度将本体学习技术分为三大类：基于结构化数据的本体学习技术、基于非结构化数据的本体学习技术和基于半结构化数据的本体学习技术。本文主要是对面向文本的本体学习中的概念提取和关系提取进行了理论研究并做了实验测试，提出了新的见解和创新：对本体学习的理论基础进行了研究，其中包括本体的定义、特征、类型、描述语言以及本体建立方法。分析了本体学习的一般周期，并对本体学习中的学习内容、目前出现的本体学习系统及其所采用的体系结构和评价标准做了详细介绍。本文首次对目前四个有代表性的本体学习系统做了特征比较。提出了面向文本的本体学习系统(OLSFT)，该系统由管理组件、资源处理组件、算法库组件和协调组件构成。在算法库组件中主要包括概念提取算法和概念间关系提取算法。在概念提取中本文主要采用统计的方法，对一般的基于假设的概念提取方法做了改进，提出了领域相关度和领域一致度相结合的方法使提取出的概念更具代表性。概念间关系提取算法则主要采用词汇句法模式法和关联规则方法，并对以后的算法改进方向做了说明。此外，本文对本体学习系统的主要构成模块进行了研究，根据各个模块功能的不同提出了具体的性能衡量指标，并通过实验做了测试。这些为构建完善的本体学习系统提供了参考，实验证明本研究是可行的。