信息抽取是一种能够从文本中抽取指定的实体信息、关系信息、事件信息等信息的文本处理技术,目标是获取机器可读的信息。据我们所知,目前的信息抽取多集中在医疗、金融、商品评论等特定领域,面向大宗商品资讯的信息抽取研究较少。因此本文针对大宗商品资讯的信息抽取进行了研究,抽取信息包括主题信息、实体及实体属性信息、以及关键词信息。研究内容如下:（1）通过句子分类实现句子主题信息的抽取,提出了基于卷积神经网络和注意力的主题信息抽取模型SACNN。实验结果表明,基准数据集上SACNN模型比其他CNN模型的准确率高出0.4%-1.4%,SACNN模型对大宗商品资讯主题信息抽取的准确率达到和基准数据集SST-1相当的效果,该模型具有一定的理论性和可行性。（2）提出了基于依存句法分析和规则的实体信息抽取方法,抽取的信息包括实体信息及实体属性信息。首先,根据依存句法分析获取的句法关系和抽取规则做匹配,获取实体信息。其次,根据词典和固定语法模式做匹配,获取实体属性信息。实验结果表明,实体及实体属性抽取的准确率、召回率、F1值分别为86%、79%、82。该方法能够获得较好的实体抽取效果,具有一定的可行性。（3）提出了一种基于词向量聚类的关键词信息抽取方法,实现了大宗商品资讯的文章层级的关键信息抽取。实验结果表明,在螺纹钢数据集大小为7000篇和700篇时,实验的F1值分别为78.75,81.43。该方法在自动化提取关键词的同时,也能够获得较好的提取效果。