因特网的发展使得人们可访问的信息资源越来越多,远远超过了人工筛选的处理能力,人们迫切的需要一种能够快速准确地为其找到所需信息的手段。信息检索这个研究领域正是应此需求而诞生的。信息检索所关心的问题是:信息的表达,存储,组织与获取等方面的问题。本文主要从信息检索中的查询(Query)的表达方法入手来对信息检索技术加以研究。现在的搜索引擎,对于短查询(Short Query)的检索效果一般来说比长的查询(Long Query)要好。这主要是由于当今的大多数搜索引擎将查询中的查询词(Term)以相同的重要性来看待,这使得在最终的检索结果中,倾向于Query中不重要的Term的文档同样会得到很高的排序(Rank)得分,从而导致真正与查询有较强的语义相关性的文档排到后面,最终影响检索性能。本文正是立足于传统方法在这一方面的不足进行研究的,力图寻求一种方法来确定Query中各Term在用户信息需求(InformationNeed)的表达中所起的重要性,并利用不同的Term具有不同重要性这一特点,通过在检索阶段对它们区分对待来提高最终的整体检索效果。　　 本文的基本思想是,对于自然语言所构成的查询,查询词的重要性在语言的组织结构本身中就有很强的体现,也就是说,我们可以利用这些信息来估计查询词的重要性。本文中所用到的核心方法为隐马尔可夫模型(Hidden MarkovModel,HMM),我们将在文中详细讨论使用该模型进行权重分配的好处,并通过大量的实验对比不同阶次的马尔可夫模型在Term权重分配上的效果,最终得出最优的方法。实验结果显示,我们的方法可以准确的将大部分Term分配到其相应的权重级别。同时,我们发现,即便我们线性地将这些离散的权重级别映射到实数域的权重上,我们依然可以在最终的检索结果中观察到一致的具有统计显著性的性能提升。总之,大量实验证明本文中所采用的方法是有效的。