随着万维网信息的急速膨胀,人们需要在以几何速度增长的冗繁信息中寻找自己所需要的信息。搜索引擎逐渐成为人们日常生活中网络搜索的必备工具,而且用户越来越关注网络搜索引擎的搜索性能和反馈结果。为了提高信息检索系统的整体性能,研究者需要完善和研究信息检索系统的评价方法和排序模型,使得信息检索系统反馈给用户文档更为相关。排序学习理论(Learning to Rank,LETOR)是结合信息检索技术和机器学习理论的一种新领域。LETOR理论目的是利用机器学习理论通过对训练集的自我学习,建立一个文档集相关度的排序模型。目前存在的几种信息检索系统排序方法都采用单一训练模型,其排序结果在几种传统的评估准则下表现出的性能还有待提高。针对这个问题,本文提出一种基于伪相关反馈扩展的查询词聚类算法,和基于查询词关键字的聚类算法相比,能够更好地解决查询词的简短性和模糊性影响聚类效果的问题。该算法可以获得更加可靠的查询词之间的潜在联系,基于这种潜在联系,本文进而提出一种新颖的基于查询词聚类的信息检索系统排序模型,并对查询词采用分而治之的训练方法,其要点是将查询词分为多个训练模型分别进行排序学习。使用该排序模型在OHSUMED公开数据集上做了四种模型的实验,结果表明,这种分而治之的信息检索排序模型显著地提高了信息检索系统的反馈性能,较基本的排序算法在Precision@K和nDCG@K的评价指标上有了近5%-10%的提高。