近年来,随着生物医学发展的不断进步,数据规模也持续增长,这使得学者难以人工获取信息。为了更好地满足研究学者的信息需求,针对生物医学领域的信息检索技术应运而生。与传统的信息检索不同,生物医学领域面临着一些特定的挑战,其中大部分是由于医学术语的复杂性和特殊性,可能导致检索不相关的文章。该领域研究通常有两部分亟待解决的问题:一是用户查询的理解,能够根据用户输入的查询检索到相似度最高的文档;二是检索模型的搭建,对查询与文档的相关性进行度量并给出排序结果。以上两方面的挑战相辅相成,充分理解的用户查询可以让检索系统更加准确地定位用户信息需求,本文针对上述问题从三个方面展开研究,具体内容包括:利用排序学习优化查询的技术研究,提出了一种查询改进和查询扩展相融合的模型。该方法在查询改进的基础上,利用排序学习对查询扩展词进行重排序,使得结合原查询能检索出准确率更高的文档。仅利用生物领域资源对查询词进行扩展虽然能得到理想的扩展词,但并不能准确描述扩展词与查询词的相关性程度,引入排序学习方法,可以充分考虑扩展词与原始查询的相关性,改善单一扩展加权不精准的问题。实验结果表明,基于排序学习的查询优化技术能有效提升生物医学领域信息检索效率。针对2017年TREC评测任务,搭建了面向治疗方案的临床医学检索系统。精准医学旨在利用基因组信息为患者寻找更有效的治疗方法。评测任务类似于为患者确定临床诊断的问题,评测重点在于为可能影响治疗选择的遗传变异的癌症患者提供临床决策支持。该方法根据任务的针对性,在对数据集和主题进行特殊处理的基础上提出了一种查询扩展的方法,并针对输出的结果进行过滤实现二次排序输出。实验结果表明,改进查询并过滤结果的方法能有效检索生物医学文献和临床试验。利用深度学习进行查询扩展的技术研究,提出了一种利用深度学习的分布式向量表达构造扩展词特征的方法。该方法在基于排序学习的基础上,改进扩展词相关性标注策略,利用词向量构造特征,加强文档与查询的相似度表达,用于扩展词排序模型的构建和优化。经过验证,该方法在TREC公开数据集上有着较高的准确率,对于深度学习在信息检索领域的研究有着重要意义。本文研究工作面向生物医学领域信息检索问题,主要针对查询进行优化,通过排序学习算法、深度学习模型、生物医学领域资源等条件对查询进行扩展,有助于更准确地理解用户意图,提高检索效率。