在科技高速发展的当今社会,各行各业的数据信息正呈指数级别不断爆发,因此有效的信息检索技术正受到人们越来越多的关注。传统的基于文档内容或者基于文档自身重要性的检索方法都很难满足人们对于高精度检索的要求。但这两种方法对用户需求来说却有很强的互补性,因此将各类方法进行融合作为特征,根据特征进行学习的排序学习技术应运而生。根据训练样本的不同,排序学习主要分为点级(Pointwise)、对级(Pairwise)和列表级(Listwise)三种方法。本文在前人的研究基础上,主要对Pairwise和Listwise排序算法的学习工具以及Pairwise算法的损失函数进行了研究,主要包括以下两个方面:针对已有的基于神经网络的排序学习算法随机初始化神经网络的连接权值,存在易陷入局部最优和训练时间过长的问题,提出了基于多层受限玻尔兹曼机(RBM)的排序学习算法。网络首层采用实值RBM,其余层是二值RBM。最后一层RBM网络的隐藏层节点数量为1,该节点的采样激活值作为样本的初始排序得分。通过对多层RBM的无监督预训练来初始化神经网络的连接权值。分别定义基于Pairwise和Listwise的损失函数,采用反向传播算法进行微调,得到最优模型。OHSUMED和MQ2008数据集上的实验结果表明,相比现有的基于神经网络的Pairwise和Listwise排序学习算法,该方法可以有效实现网络参数的优化,最终模型的排序准确率明显提高。现有的基于交叉熵的Pairwise算法存在的偏序文档对排序损失没有固定上界、不能进行查询级计算、没有强调排在靠前位置的文档等与信息检索评价标准不一致的问题。本文考虑存在相同标记文档对(Ties)的情况,根据概率框架,提出了一种分段有界的新损失函数,并根据不同文档对的相关性差异定义了偏序权重,采用小批量梯度下降法对算法进行优化。OHSUMED和MQ2008数据集上的实验结果表明,相比于现有的几种流行排序算法,该方法可以有效实现参数优化,最终模型的排序准确率明显提高。