随着互联网的快速发展,信息检索系统成为人们生活中不可或缺的工具。排序学习算法作为信息检索系统的核心基础技术,成为了信息检索领域的研究热点。排序学习算法是指基于机器学习的信息检索模型。多种机器学习技术被应用到排序学习中,包括基于支持向量机的算法、基于决策树的算法以及基于神经网络的算法等。其中,基于神经网络的排序学习算法存在着由于网络层数受限而导致的学习能力不足、排序性能不够好等问题。针对上述问题,本文提出了基于深度信念网络的排序学习算法--深度信念排序网络(Deep Belief Rank Network,DBRank)。本文提出的深度信念排序网络算法包括三个步骤:第一步,基于堆叠受限玻尔兹曼机(RBM)网络构建排序学习网络结构,并使用无监督的方法贪婪的训练每一层RBM。第二步,在多层堆叠的RBM网络之上,构造Pairwise层作为输出层,并使用基于Pairwise损失函数的监督方法进行训练。第三步,针对传统神经网络反向传播过程在深度神经网络中存在的容易过拟合和梯度消失等问题,本文提出基于梯度约束的反向传播过程。最后,本文从多个角度进行了算法的实验验证。首先在基准数据集上与其他经典算法进行对比实验,结果表明DBRank算法在排序性能上有很大提升。此外还对不同层数以及不同阶段的DBRank算法进行实验对比,结果证明了预训练方法和参数微调方法的有效性。