新闻关键词的提取可以快速帮助用户定位新闻的中心思想,了解新闻的大致内容,给用户判定是否要仔细查看的依据,从而提高用户体验。然而人工去标注关键词虽然质量可以保证,但是难以完成海量的新闻数据。本文通过对新闻文本特点进行分析,展开对新闻关键词提取算法的研究,并实现了一款实用的新闻关键词提取系统。实验表明,针对新闻领域文本,本文的关键词提取算法无论是性能还是准确度明显优于传统的关键词提取算法。本文着重研究了基于词频统计、基于词图模型与基于主题模型的关键词提取算法,从这三个方面入手,分别对TF-IDF算法、TextRank算法与LDA主题模型算法进行探索改进。由于现有资源里没有公开的关键词数据集,本文通过爬虫技术爬取网易新闻构建关键词测试集,并且对测试集的关键词进行人工交叉标注。使用搜狗实验室提供的新闻数据构建语料库。最后,实现了一个新闻关键词提取系统,将对新闻关键词提取的改进应用到此系统,系统具有简洁大方,易操作,响应快的特点。为了提高新闻关键词的提取准确率和运行效率,本文围绕上述三个方面的关键词提取算法做了几点创新。针对传统TF-IDF算法的逆文档频率将一些罕见词的概率提高问题,引入齐普夫定律来抑制这一问题,同时引入卡方检验将主题因素加入到权重的计算。通过设计实验,结果表明改进后关键词提取的准确率和效率有了明显的提升。针对这三种提取方法的各自优缺点,引入机器学习中的模型融合思想,采用瀑布融合和并行组合融合两种融合方式,总共设计了五种实验方案,最终实验结果表明TF-IDF算法与TextRank算法瀑布融合的效果比较好,TF-IDF算法与TextRank算法并行组合的效果优于其他组合方案,并且经过融合后提取算法的准确率与效率相比单一算法有明显提高。文末,针对新闻关键词提取研究与实现的过程中遇到的问题和自己的不足之处做了总结,并对系统进一步改进与研究进一步深入做了展望。