随着互联网的不断发展,internet上的信息量以惊人的速度快速膨胀,将人们置身于一个信息爆炸的时代。所以信息搜索服务是现今互联网用户中最为流行的服务之一。然而由于人们对于信息需求的模糊性导致了,信息检索的结果往往不尽人意。为了能够提升信息检索的结果,就需要采用各种各样的信息检索模型以及相关反馈的策略来提高检索结果的准确性。首先,本文分别对四种经典的检索模型,布尔模型,向量空间模型,概率模型,语言模型进行了总结与分析。然后介绍了经典模型中的相关反馈技术,以及检索系统的性能评测方法。　　 第一,本文提出了利用改进的语言模型与向量空间模型相结合的反馈技术来对检索系统的性能进行改进。即通过改进的语言模型来抽取相应个扩展词,然后通过扩展词分类和实体抽取,进一步的对扩展次进行筛选。最终确定扩展词将其加入到原始查询向量中,分别赋予相应的权重进行新的查询。从而改善检索系统的性能。该方法被运用在TREC FEEDBACK2008的数据集上,该方法提高相关性检索性能指标35％以上。　　 第二,本文提出了基于扩展词分类的中的几个关键特征。其中包括,扩展词的分布,单一查询词共现,查询词对的共现以及词的权重等特征。使用的训练样本是来自于2009年TREC评测的结果。然后对2010的TREC数据扩展词分类。效果良好,对整个信息检索系统的性能提升有很大的帮助。　　 第三,设计与实现了一个基于改进语言模型的检索系统。在整个的系统融合了相关文档的聚类扩展,扩展词分类等核心技术。从而大幅的提高的检索的性能。在2009与2010年的TREC FEEDBACK测试任务中,该系统出色的完成了后续任务的基准系统.