相较于万维网（World Wide Web,WWW）,语义网（Semantic Web,SWeb）是一种智能网络,它能对其中的信息资源进行语义描述,不仅能理解词汇和概念,还能理解它们之间的逻辑关系。语义网使得计算机能更好地理解信息资源的含义,也使得人与计算机之间的交流更有效率和价值。而本体机制则是实现语义网的核心技术,作为一种知识描述和组织方式,它具有概念化、形式化、明确性和共享性四大特征。本体层是语义网7层体系结构中的第4层,它将信息资源按照语义方式描述和组织,是进行信息资源交换与共享的基础。对信息资源进行语义描述和组织依赖于相应领域本体的构建。早期的领域本体构建是依靠本体工程师和领域专家手工完成的,但这样的构建方式存在以下缺点:（1）耗费大量的时间和人力;（2）受领域专家主观因素的影响。针对这些问题,学术界提出了本体学习（Ontology Learning）,即利用数据挖掘、机器学习、数学统计等方法和技术,通过计算机自动或半自动地从已有数据资源中发现本体元素,包括概念、实例、分类关系、非分类关系和公理。基于非结构化文本进行领域本体学习是当前计算机科学和信息科学领域的研究热点和前沿,而中文非结构化文本由于其自身的特点对本体学习方法和技术又有着不同的要求。通过文献调研发现目前基于中文文本进行本体学习的研究状况是:（1）聚焦在理论设想和方法论证上;（2）对本体学习框架和流程的讨论较多,但目前还没有一个具体的可应用的本体学习系统;（3）中文自然语言处理技术的不成熟对本体学习也有着较大的影响;（4）对本体概念非分类关系获取的研究较少。在上述情况下,本论文基于数字图书馆学科领域的中文非结构化文本,探讨本体学习的方法和技术。首先对本体基本概念和理论进行了阐述;然后构建了领域本体学习系统模型,并利用数据挖掘和数学统计等方法和技术构建了领域本体,该本体包含的元素包括:领域概念、概念的分类关系和非分类关系,最后对构建的领域本体进行描述、存储和可视化展示。本论文的主要工作包括:（1）构建了面向中文文本的基于技术集成的领域本体学习系统模型。在文献调研、系统剖析、应用借鉴的基础上,深入探讨本体学习的功能组成和学习流程。以提供知识服务为总体目标,集成多种数据挖掘技术和数学统计方法,构建了一个面向知识服务的领域本体学习系统模型,提出并论证了模型中关键组件的具体实现方案。（2）实现了基于中文文本的领域术语以及作为术语非分类关系标签的谓语动词的自动识别。具体实现过程中,采用了中文分词、数学统计、权重计算等方法对非结构化领域文献中包含的领域术语以及谓语动词进行抽取。（3）建立了具有实用价值的面向“数字图书馆”领域的术语分类关系的自动抽取模型,实现了领域本体中术语分类关系（层次关系）的抽取。首先基于非结构化领域文档构建术语的向量空间模型,在此基础上,利用BIRCH预聚类和层次聚类挖掘领域术语间的分类层次关系,并利用术语综合相似度指标确定类标签。（4）建立了具有实用价值的面向“数字图书馆”领域的术语非分类关系的自动抽取模型,实现了领域本体术语非分类关系的抽取。首先基于非结构化领域文档构建句子-术语向量空间模型,运用关联规则挖掘方法获取具有非分类关系的术语对,然后基于句子-<术语,动词>向量空间模型再次利用关联规则挖掘术语的非分类关系,并为非分类关系分配了标签。（5）运用网络本体描述语言OWL对构建的“数字图书馆”领域本体进行了描述和存储。OWL把本体中的概念（术语）描述为类（Class）,本体中概念（术语）间的关系将通过OWL中的属性进行描述。基于关系数据库对学科领域本体进行存储,关系数据库适用于大型本体数据的存储。（6）运用本体编辑工具Protege5.0beta中的可视化组件OntoGraf对本体进行可视化展示。可视化展示领域本体能使得用户对本体中的概念（术语）和概念（术语）间的关系有更直观形象的了解,并且可以从中发现新的领域知识。本论文的研究意义在于提供了如何从中文非结构化文本中获取领域本体元素的方法和技术,以及如何对领域本体进行描述、存储和可视化的方法和技术。