可比较语料库是自然语言处理领域中非常有价值的资源,但是,目前并没有足够规模的可利用的公共可比较语料库,构建大规模中英文可比较语料库有理论价值和应用价值。本文提出了一种双向的基于跨语言信息检索技术的方法来构建大规模中英可比较语料库。首先,利用开源的网页爬虫工具从新华网上爬取原始的中文文档集合和英文文档集合,并将所有的文档进行统一的格式化处理；然后,分别提取中英文档的主题词来代表当前文档,并将中文文档的主题词翻译成英文,构成英文检索语句,将英文主题词翻译成中文,构成中文检索语句；最后,利用英文检索语句到英文文档集合中检索候选英文文档,利用中文检索语句到中文文档集合中检索候选中文文档,并通过中英文档对的发表日期和相似度进行过滤。实验结果表明,本文的方法明显优于之前的中英可比较语料库构建方法。本文的主要贡献：(1)在中文文档主题词抽取方面,采用了单词和多词相结合的方法。在预处理阶段,针对分词结果中存在的问题,对分词结果进行修正。在单词的抽取方面,有效结合了中文表达习惯上的特点；在多词提取方面,有效结合新闻文本本身的特点；最后,通过去重方法等有效结合了两者。(2)在文档对齐方面,考虑到真实文本中,一篇源文档所对应的目标文档数目是不确定的,本文只取前N篇目标文档作为候选集,设置相似度阈值对候选集进行过滤。(3)本文提出了双向构造法,分别将两种语言的文档集合作为源语言集合,另一种语文的文档集合作为目标语言集合,即从中文到英文、从英文到中文两个方向上构建可比较语料库。实验结果也表明,从两个方向上构造中英可比较语料库明显优于只从一个方向构建可比较语料库(4)设计了相关实验,验证了本文中主题词抽取方法和可比较语料库构建系统的性能。