随着web技术的发展，网络资源呈现爆炸式的增长，搜索引擎已成为人们日常生活中查找资源的必备工具。而现有的搜索引擎存在无法返回用户所需的全部信息以及返回的信息大部分与用户的兴趣无关等主要问题。元搜索引擎的出现解决了独立搜索引擎覆盖率不足和查准率不高的问题。然而现有元搜索引擎建模技术的研究，往往以单个用户为基点建立用户兴趣模型，而忽略了用户共同的兴趣；注重用户查询兴趣模型，而忽略了用户对成员搜索引擎的偏好、用户收藏和用户友好等与社会化搜索相关的用户兴趣信息。本文从用户共同兴趣出发，建立了用户兴趣群集模型，设计和实现了基于用户兴趣群集模型的元搜索引擎GMS（Group Meta Search）。本文的主要研究工作如下：1、分析了用户搜索的行为方式和特点，提出了基于用户搜索行为的兴趣度计算方法。2、提取多个用户兴趣的主要特征，分析出多个用户搜索的兴趣类；采用Beeferman聚类算法形成不同的用户群，并在本体模型的基础上建立用户兴趣群集模型。3、提出基于用户兴趣群集模型的相关推荐算法。通过用户对成员搜索引擎的偏好调整各搜索引擎在元搜索引擎中的权重；结合了成员搜索引擎的推荐结果和用户兴趣群集模型推荐结果两方面改进了元搜索引擎的排序算法。4、设计和实现了基于用户兴趣群集模型的元搜索引擎GMS（Group Meta Search），并用于推荐算法的仿真。最后，论文分别采用不同的搜索主题，对GMS元搜索引擎进行了性能测试。实验结果表明，基于用户兴趣群集模型的元搜索引擎GMS能更好地反映用户共同的兴趣特征，在个性化推荐服务方面也有更好的表现。结合用户对搜索引擎的需求趋势，还指明了下一步研究的方向。