在如今信息爆炸的互联网时代,信息检索的重要性不言而喻。我们几乎每时每刻都在进行着信息检索。比如在搜索引擎上查询网页,在视频网站上观看视频,在论文库里寻找论文。一个好的搜索引擎能够直接检索出我们想要的结果,从而避免人们花费大量的时间寻找自己想要的信息。而对于搜索引擎而言,最重要的部分就是排序模型,排序模型将结果依次排序,把相关度最高的信息排到前面。本文旨在提出一种新的学习排序模型,能够学习出最优的排序模型。文本首先使用了传统的非监督模型的结果构建高阶特征。然后构建了基于pairwise的学习排序方法。本文首先建立基于之前高阶特征的Rank Net模型,然后建立基于Text CNN方法的Pair Text CNN模型,该模型能自动从文本中获取隐式模式与特征。最终用更外层的深度神经网络将二者用可学习的参数集合,得到最终的模型Mix Net。并将三者与其他研究者的模型在标准公开数据集上对比,发现效果优于绝大多数模型,这表明基于Pairwise的模型的优势以及结合显示模式匹配和隐式模式匹配对效果的提升作用。本文还对使用的词向量方法的不同初始化方式和处理方式对模型的结果的影响进行了探讨。本文所用数据集规模偏小,还需要在更大的带有原生语料的数据集上检验深度模型效果。最后,基于研究结果,文本对文章中所做的贡献和发现做了总结。