当今世界,互联网迅猛发展,信息无论从产生还是传播速度上,都大幅提升,在这样一个信息爆炸的时代,如何快速有效的从大量数据中获取感兴趣的信息,给搜索引擎的发展带来了巨大的挑战。微博作为近几年兴起的社交方式,渐渐走入每个人的生活,微博上的内容既包含权威的新闻事件,热点话题,也包含数以亿计的普通用户发布的生活娱乐内容。对于微博的检索一直是一个值得研究的热门话题。本文首先介绍了信息检索的相关技术,分析了 Learning to rank模型的优势以及信息检索系统的衡量标准。经过调研,本文从相关性和多样性两个方面优化微博检索结果。相关性方面,本文设计并实现了 GBDT模型训练非语义特征,再融合LTR模型的网络结构,同时引入神经网络训练的词向量作为特征。在推特数据集上,优化了 MAP和P@30两项指标。多样性方面,实现了将神经网络训练的句向量作为特征的k-means聚类。验证了句向量训练的有效性。另外,利用Simhash去重算法,去除近似重复的推特,取得了比聚类更优的F1值指标。本文的选题是基于2014年TREC微博检索评测任务,提出了新的思路和解决方法。最后,本文阐述了完成该任务时的设计与实现流程,并分析了评测结果。