随着信息化技术的发展,人们越来越倾向于从网络上获取资源。传统搜索引擎能够检索到的网络资源称为Surface Web,而Surface Web仅占整个Web资源的很少一部分。那些隐藏在Web数据库中,靠提交查询生成动态页面获取的资源称为Deep Web。Deep Web信息含量大,领域相关度强,如何高效的获取这些资源成为当前研究的关键问题。Deep Web集成查询系统是由同领域的Deep Web入口集成的一个全局查询接口,通过对这个集成接口提交查询,可以同时检索到不同Web数据库中的资源。预处理阶段是系统集成过程中的初始阶段,它主要分三步进行：Web入口的发现、查询接口模式抽取、查询接口集成,其最终结果的好坏对后面查询处理和结果处理有着重要影响。因此上述预处理阶段各个步骤采用哪种技术能够获得更高的效率是本文研究的出发点。本文的主要研究工作如下：(1)分析了Deep Web查询表单的特征,针对现阶段Web入口发现技术的优缺点,提出将多分类器聚焦爬行技术应用到Web入口发现上,重点给出各分类器的实现方法,并介绍了种子URL的选取策略；根据查询表单分类过程的启发式规则提出采用基于决策树的表单分类方法,区分出那些非Web入口的查询表单。(2)研究Web入口的模式特征,针对HTML页面的结构性特征提出基于DOM树和DWI对象模型的模式抽取方法,首先通过网页解析器将接口页面解析成DOM树结构,然后遍历DOM树找出属性元素及其对应的标签,最后用DWI对象模型将查询接口的模式信息表示出来。(3)比较现有模式匹配技术的优劣势,针对查询接口属性元素的特点,提出基于语义的模式匹配方法,该方法从简单匹配和复杂匹配两个角度分别给出了属性相似度的计算公式,使得模式匹配具有更高的效率。针对所提出的预处理阶段相关技术,本文分别设计了具体实验,用实验结果证明上述各个方法的有效性。