提高搜索引擎检索结果的相关性有助于人们在海量的Web资源中快捷高效地搜索到有价值的信息。早期的研究中主要依靠分析查询日志来推测出用户真实的查询意图。随着研究的深入,人们发现查询日志中记录的信息有限,不利于进行细致化的用户搜索行为分析。眼动轨迹信息(ETI)包含了丰富的搜素信息,但是需要专业的红外设备来获取,不符合实际的应用场景。研究表明,光标活动信息(MMI)与ETI之间存在着紧密的协同关系,可以使用MMI代替ETI进行Web搜索优化相关研究。在基于光标轨迹的Web搜索优化研究上,本文主要做了如下3个方面的工作:(1)提出了一种基于“关键点”的Shapelets模式挖掘加速算法——KP-Shapelets。针对目前研究中存在的问题和不足,本文引入了基于shapelets的时间序列挖掘算法来解决光标轨迹模式挖掘问题,并提出了一种基于“关键点”的加速策略。本文将加速的KP-Shapelets挖掘算法应用于光标轨迹模式提取中,取代原有的基于motifs的光标轨迹模式挖掘算法,解决了 motifs挖掘算法中出现的计算效率、用户个体特征等问题。(2)在分析研究不同光标轨迹模式特征以后,本文提出了一种“拆分光标轨迹”的数据分析方法。通过深入研究分析,本文发现将一条二维光标轨迹拆分成两条一维的时间序列来进行单独分析能够提高光标轨迹模式的区分度,并且将这些具有更高区分度的特性与KP-Shapelets模式挖掘算法相结合能够很好的解决光标轨迹模式归类问题。(3)结合KP-Shapelets挖掘算法,本文设计了 一个基于用户光标轨迹模式的个性化聚类应用,从应用层面上验证了相关工作的正确性和有效性。