随着互联网的发展,网页数据以及新媒体文本等数据日益增多,全文信息检索的效率已经不足以支撑海量数据的检索,从而关键词抽取技术广泛的应用于搜索引擎（如百度搜索）和新媒体服务等领域（如新闻检索）。传统关键词抽取方法依据文档中词语的上下文信息与语法信息判断词语的关键性。这种算法简单而有效,但是无法获取文档中的深层信息与特征,在抽取效果上无法达到人工抽取的精度。针对以上问题,本文提出一种包含多元特征信息与多元方法结合的融合模型,从两个方面对关键词抽取模型进行改进与优化:1.提出一种将多种算法与神经网络模型结合的融合模型。针对TF-IDF与Text Rank两种传统算法进行归一化平滑优化,从而使两者结果可进行对比并混合使用。使用Bi LSTM模型对输入文档进行关键词标注,并结合条件随机场进行优化。为解决深度学习模型泛化性不足的问题,本文使用传统关键词抽取模型的结果对深度学习模型进行反馈训练,从而不断优化融合模型的综合效率。经过实验论证,基于融合模型的关键词抽取在与传统模型的对比中F1值提高了21.02个百分点,与目前流行的Bi LSTM-CRF序列标注模型相比提高了5.05个百分点。2.提出一种将多种人工特征与Bi LSTM-CRF模型融合的算法,并提出更加适合本文融合模型的“LMRSN”序列标注方法。融合模型采用多种算法采集文档的词性、词频、词长、词位置等特征,将人工特征与词嵌入层进行混合编码得到包含人工特征的词嵌入向量。多维度的特征信息可以更加全面的辅助模型提取到关键词的深层特征信息。并且在处理标注任务时,本文提出使用“LMRSN”方法进行标注,从而有效解决无法抽取关键短语的问题。在完成关键词抽取技术的研究后,本文继续研究关键词的应用方向,将基于融合模型的关键词抽取技术应用于新闻推荐任务,提出多种有效的候选新闻文档选取方法与新闻文档间推荐指数的计算方法,并最终用实验的方式论证了基于融合模型的关键词抽取技术应用的有效性。