信息技术的飞速发展使得各个领域的信息呈现爆炸式增长。为了快速有效地从海量文本中获取所需的信息,人们通常需要借助能涵盖文本主旨的若干重要词汇,亦即,关键词。然而,目前绝大多数文本尚未提供关键词,这不利于文本信息的有效获取和处理。为了解决这个问题,人们提出了自动关键词抽取技术,即,由计算机根据某种方法从文本中自动抽取相应的关键词,并设计了为数众多的关键词抽取算法。然而,现有的关键词抽取算法大多需要依赖文本语料数据集,而且存在计算复杂度高、适用性弱、抽取精度低等问题。因此,针对自动关键词抽取算法的研究方兴未艾,而且在大数据时代背景下获得愈来愈多的关注。基于上述背景,本文对自动关键词抽取展开研究,主要提出了两种自动关键词抽取算法,即,基于位置加权词频统计的关键词抽取算法(PW_TF)以及基于多特征融合和图模型的关键词抽取算法(MF_Rank)。PW_TF的主要思想是利用词语的统计特征和结构特征来表征关键词,其中,统计特征刻画的是词语在文本中出现的频次信息,结构特征体现的是词语在文本中出现的位置信息,而且,不同位置的词语具有不同的重要性。PW_TF简单易行,但只考虑了词语的位置和频次信息,而没有考虑词语的语义信息。MF_Rank是在经典的图模型算法(如,TextRank)基础上进行改进而提出的,其主要思想是除了利用词语的统计特征和结构特征,还利用通过词嵌入技术提取的词语语义特征,亦即进行多特征融合,获得词语自身(图的节点)的重要性权重以及词语之间(图的边)的吸引力权重,进而通过图模型算法迭代计算每个词语的最终权重,以此确定抽取的关键词。为了验证算法的性能,在三个不同类型的数据集上进行了大量的仿真实验研究。实验结果表明,与已有的词频统计方法和图模型方法相比,本文提出的关键词抽取算法在性能方面最大分别能提升6.45%和20.36%;与PW_TF相比,MF_Rank可在性能方面获得1.76%的最大提升。本文提出的PW_TF和MF_Rank两种算法,无需依赖语料数据集,能直接用于单文本的关键词抽取,具有良好的适应性,实验结果也表明了它们是可行且有效的。