高端先进的信息技术，将我们带入了一个浩如烟海的数字时代。大量数据的涌入使得搜索引擎变得越来越重要，如何从海量数据中快速定位所需信息显得异常关键。搜索引擎包含多个组成部分，其中网页排序是搜索引擎设计的核心问题，它决定着搜索引擎排序结果，直接影响着搜索引擎的性能和用户体验。信息检索领域有许多网页排序算法，大致可归类为样本点级别方法模型、样本对级别方法模型以及样本列表级别方法模型。研究者们在这三类方法中运用多种算法做了很多贡献，然而对网页学习排序算法的研究仍处于白热化阶段。针对网页学习排序问题，本文首先SVM(Support Vector Machine)分别从样本点级别和样本对级别建立了基于SVM的网页学习排序模型。求解部分运用交叉检验的思想选择SVM模型中的参数，同时进行了核函数选择分析；在数据分析与处理时，选取了部分特征数据进行可视化以及数据分维分析，为消除数据量纲影响在预处理部分做了归一化处理。在样本对方法下的SVM网页排序模型求解中，本文采用随机排序配对方法得到训练样本。接着，运用启发式方法建立了遗传算法优化BP(BackPropagation)神经网络学习排序模型。该模型利用遗传算法的寻优能力，得到较好的BP网络初始权值和阈值，以提高BP网络的性能。为减轻BP网络训练复杂度，求解部分运用主成分分析法将训练数据进行了压缩，在保证较高的数据保真度时使压缩后的数据维度降至使BP网络结构合适的程度。最后，基于Boosting思想建立了基于Boosting算法的网页排序模型，旨在研究强学习排序器在弱学习机基础上的提升能力。本文在LETOR数据子集OHSUMED上进行实验。实验结果表明样本对级别模型的学习排序能力稍高于样本点级别；遗传算法优化BP网络权值与阈值能提高模型的排序精度，但时间开销很大；Boosting方法中的强学习排序器能取得较好效果。