随着互联网的高速发展,搜索引擎为用户获取各种信息提供方便,但随着数据量、信息量的大幅增长,存在着信息过载的问题,用户如何从海量的信息中获取有效的信息成为了亟待解决的问题。因此,利用语义关联关系,从大量信息中检索出更满足用户需求的信息具有重要的研究意义。近年来,信息检索技术已经有了长足的进步和快速的发展,但传统方法更注重词与词、词与句的匹配和相似关系,忽略了文章段落上下文的语义关联关系,以及检索词与整体段落的关系。本文利用神经网络结构捕捉长文的语义关联关系,对文档进行上下文语义理解,并结合指针网络机制,对查询的文档进行排序,以提高检索的效果。本文的主要工作如下:一、对传统信息检索方法的发展情况以及目前神经网络在信息检索中的应用情况进行了调研,针对文档检索的特点进行了分析。同时,对神经网络在文本理解上的应用进行了总结,对神经网络的理论知识如何应用到信息检索中进行了探讨。二、提出了基于指针网络的信息检索(Pointer-IR)模型。通过双向的GRU模型对文档和查询所对应的文本序列分别建模,用隐藏层的状态来抓取文本中的语义信息,挖掘文本的上下文语义特征。同时,由指针网络在自动文摘、推荐等领域的应用启发,在模型中加入了指针网络的机制,通过指针网络,使模型更加关注与查询的向量表示相关的文档片段。三、本文将Pointer-IR模型在TREC数据集上进行了实验,并且在诸多评测指标上与baseline模型进行结果对比,验证了模型的有效性。