近年来互联网技术发展迅猛,搜索引擎已成为人们最常用的网络应用之一。传统的集中式信息检索系统,已不能够充分应对网络信息量和检索需求量的爆炸式增长。基于分布式架构的联邦检索,成为学术界和工业界最受关注的搜索引擎技术之一。资源选择是联邦检索中一项重要的研究任务。另一方面,检索结果多样化也是近年来信息检索领域的研究热点,它的主要目的是满足用户对于查询的多元化检索需求,是应对短查询和模糊查询的重要技术。如何适应新的检索环境,在联邦检索系统中,通过有效的资源选择算法选择合适的资源组,实现检索结果多样化是本文的主要研究内容。论文的主要工作如下:(1)基于LDA主题模型,提出了一类多样化资源选择方法。该方法用α相关度筛选资源样本文档,提出利用LDA主题模型分析样本相关文档。该类方法采用贪心选择策略,通过平衡文档的查询相关性和多样性,选取多样化性能最佳的资源组。将该类方法应用在文档层和资源层,提出了D-LDA和R-LDA算法。(2)基于词向量技术,提出了一类多样化资源选择方法。从文本语义的角度分析资源样本文档,并结合TF-IDF权重,充分考虑文档中词项分布特征,在语义空间中实现文档、资源建模。将该类方法应用在文档层和资源层,分别提出了D-WE和R-WE算法。(3)针对联邦检索环境中,检索结果多样化任务下的资源选择问题,在Clueweb12-B13数据集的基础上构建联邦检索实验环境。同时提出了一种适应联邦检索环境的评价指标SDC,作为实验中多样化资源选择评价指标的补充。(4)进行实验对比现有研究和本文中提出的四种算法,分析四种算法的性能和运行效率。实验结果表明,四种算法均能在保证运行效率的前提下,有效地提升资源选择结果的多样化性能。其中,基于文档层LDA主题模型的D-LDA算法性能最佳。