在当今互联网环境下,愈来愈多的文档出现被随意复制、修改、变换格式、替换同义词等现象,这将导致大量核心内容甚至全部内容一样的文档产生。这些近似或重复文档在文件存储和信息检索任务中都会耗费大量的成本和时间,也会对互联网信息的质量和传播造成一定负面影响。因此,为了减少此类文档所带来的浪费,一种高效且精确的相似文档检索技术是十分必要的。将一篇文本映射为一个低维的向量,然后通过对比不同向量之间的相似度来判断文本是否相似,是目前相似文本检测任务中常用的技术之一,如Simhash算法。但已有的研究往往是为了去除海量网页中的重复网页,未能较好考虑文本表达过程中各个词语的特征信息,所以精度有所欠缺。为了提高相似文本检测的精度,本文对词语权重计算策略以及相似文本检测算法进行了研究,在此基础上,对经典的Simhash算法进行了改进和优化。本文的主要研究工作如下:（1）针对目前基于知识库的中文词语相似度算法使用单一知识库而导致计算结果信息不完备的问题,本文提出一种融合How Net和同义词词林的词语相似度计算方法。在现有的基于How Net信息内容的词语相似度算法和基于同义词词林信息内容的词语相似度算法基础上,根据词语的不同分布情况提出了一种动态融合两个知识库的策略,充分利用了How Net和同义词词林中的体系结构信息来计算词语的相似度。实验表明,与刘群等几个具有代表性的方法相比,本文方法和MC30人工判定值之间的皮尔逊相关系数平均提高了0.112。（2）针对传统的词权算法无法准确表示词语对于文本的重要程度,本文提出了一种基于词语多特征的词语权重计算方法。传统的TF-IDF算法中没有考虑词语本身的特点而仅考虑词语在文本和数据集中出现的频率,本文分析了中文文本编写者的表达习惯和词语中包含的主题语义信息后,提出一种包含词语的长度特征、词性特征、位置特征和标题匹配度的MFTF-IDF（Multiple Features TF-IDF）词权算法。经实际新闻文本分类实验验证,该方法相较于传统TF-IDF提升了3.28%的精确率,说明这种综合考虑词语多特征的算法可以提高文本表征的准确度。（3）针对Simhash在相似文本检测任务表现上查准率较低的不足,本文使用MFTF-IDF词权算法改进了Simhash指纹的生成过程。传统的Simhash在计算特征词权重时仅使用单一简单算法,如布尔权重、TF权重或TF-IDF权重,在生成文本指纹的过程中易丢失文本语义信息。本文使用基于MFTF-IDF改进的Simhash算法来生成文本指纹,将数据集中的文本映射成一个个低维的向量,最后通过判断文本指纹之间的相似性来达到相似文档检测的目的。相似文本检测实验结果表示,改进后的Simhash指纹算法相较于传统的Simhash,平均查准率提高了5.47%,表明该算法可以提高文本指纹的表征能力。