随着Internet技术的飞速发展,整个Web信息已经被各种各样可搜索的在线数据库所深化。这些信息隐藏在Web查询接口之后,由站点后台数据库动态产生,而传统搜索引擎受技术限制无法对它们进行索引,我们称这类信息为Deep Web。Deep Web信息的获取至今仍然是一个新兴的研究领域,也受到越来越多研究人员的重视。为了方便用户获取某领域的Deep Web信息,对Deep Web进行大规模信息集成的研究就应运而生了,该集成框架包括数据源发现、数据源分类、数据源选择、查询结果合并等模块的研究。本文在上述集成框架下提出了一个Deep Web数据源质量估计模型,基于该模型对数据源选择进行了应用研究,并提出了相关的选择算法。本文的主要研究内容包括:(1)介绍了Deep Web信息集成系统框架,对中国Deep Web资源的结构和分布做了调查研究。(2)分析了Deep Web三个方面的特性,并分别从三方面提取了影响数据源质量的属性。(3)分别采用了机器学习方法和模糊综合评价方法,对影响数据源质量的特征建立了质量估计模型。(4)应用上述质量估计模型,结合查询相关性及查询准确性对Deep Web数据源的选择做了应用研究。最后对文中提出的方法和技术进行了实验设计,通过对数据源选择实验结果的分析验证了提取特征的合理性和有效性,并比较了采用机器学习方法和模糊综合评价方法建立质量估计模型的优缺点。