信息检索技术为人们日常信息搜索以及信息筛选提供了便利的服务,随着网络信息量的不断增加,人们常常希望能快速搜索到多样化的、更相关的检索结果。分布式信息检索技术可以把查询转发给相关的分布式资源库,并整合多样化的检索结果返回给用户,以满足用户的多方面检索需求。分布式信息检索通常分为协作式的环境与非协作式的环境,在协作式的环境中,检索代理能获取资源库的内部所有的信息。而在非协作式的环境中,检索代理通常通过查询采样的方式获得资源库的信息。在分布式信息检索中,影响资源库选择以及结果融合的因素往往众多,结合多因素进行学习,能有效的拟合多方面特征,提高资源库选择以及结果融合的效果。本文首先提出基于排序学习的资源库选择算法LTR_RS,通过分析影响资源库选择的因素,提取了资源库的词项匹配、中央采样索引库、主题相关性三个方面的特征,在LTR_RS算法中通过训练LambdaMART的排序学习模型,对资源库排序列表指标NDCG值进行优化,来提高资源库选择效果。在搜狗数据集SogouQCL上的实验结果表明,LTR_RS算法的效果与对比方法相比,在NDCG值以及准确率上均有很大的提升。针对资源库选择中有标签的训练数据获取成本高以及非协作式环境中多因素特征提取不充分的场景下,本文提出基于变分自编码器的资源库选择算法VAE_RS。VAE_RS中使用无监督学习的变分自编码器对资源库中的文档进行建模,利用文档的隐变量表示来得到资源库的向量表示,通过计算查询与资源库的向量的相似度,来得到资源库的得分。通过在TREC Fedweb数据集上的实验证明了该算法的有效性。在结果融合部分,本文提出结合文档、结果列表、资源库、垂直领域等多因素来进行结果融合学习的算法框架。通过分析影响结果融合的因素,算法框架中提取多因素特征,并采用LambaMart模型对多因素特征进行拟合,优化最终结果列表的NDCG值。在Fedweb数据集上的实验结果表明,有效利用多因素特征的结果融合学习算法相比其他模型的效果要好,并且优于目前在该数据集上表现最优的DeepMerge算法。