随着云计算技术的发展,越来越多的用户选择将自己的数据外包至云端以节约硬件和软件维护的成本。为了保护外包数据的隐私,数据拥有者必须在将数据上传之前对其进行加密。然而,对数据的加密会影响数据的可用性如进行排序检索,目前已有的明文排序检索方法不能直接应用到密文检索上,因此如何在文档中实施有效的可搜索加密是亟待解决的问题。目前,许多可搜索加密方法都采用了TF-IDF模型(词频-逆文档频率)。然而,TF-IDF模型忽略了用户检索关键词和文档之间的隐含语义特征,所以其返回的搜索结果可能不能满足用户真实的搜索意图。本文针对云环境下密文检索方法的语义缺失问题,采用了不同的语义模型和实现方案,提出了如下三个方法:(1)基于Doc2Vec模型的语义感知多关键词密文排序检索方法(DMRSE):该方法以Doc2Vec模型为基础,利用Doc2Vec模型提取文档集中的语义特征并生成文档对应的特征向量。该特征向量是一种相对低维的分布式表示,采用这种低维的特征向量本方法在检索时间消耗和空间消耗上有了显著提升。并且,本方法还可以支持针对密文的动态更新,大大提高了本方法的可用性。(2)基于LDA主题模型的语义感知多关键词密文排序检索方法(LDA-MRSE):该方法以LDA主题模型为基础,利用LDA模型提取文档集中隐含的主题信息并生成文档-主题矩阵和关键词-主题矩阵。LDA主题模型采用无监督学习方法,使得其更适合于云环境下的应用。为了进一步提升本方法的效率,提出一种基于完全二叉树的索引,可以将检索时间消耗降低至亚线性级。(3)基于LDA主题模型关键词提取的改进方法(LDA-ESSS):该方法为了进一步提高LDA-MRSE的检索精度,利用主题信息对文档集进行关键词提取,并将原主题向量扩展以保存提取的关键词信息。本方案改进了原方案检索时关键词信息缺失问题,实验表明,本方案可以提高语义检索精度,并同时实现更高的排序隐私和较高的检索效率。