随着互联网技术的迅速发展,网上信息飞速增长。如何从这些海量信息中检索出所需要的相关信息已成为一个非常重要的研究课题。而由于用户用词歧义以及查询条件表达不完整等现象的存在,传统信息检索的结果难以达到用户的查询目标。因此研究信息检索中的查询扩展技术,通过对用户的初始查询进行扩展和重构,有效的解决此类问题,具有重要的实际意义和一定的理论价值。本文首先介绍了信息检索的发展概况和相关技术,分析和比较了几种典型的查询扩展技术的优缺点,包括在查准率、查全率、计算时间和占用空间等方面的性能比较。针对查询扩展中局部分析方法查准率不高的缺点,提出一种基于局部类别分析的查询扩展方法。该算法通过分析与用户查询密切相关的文档,从而得到与查询相关的文档类别,进而根据相关类别中的文档用词与用户查询用词的共现关系对查询进行扩展。通过与传统的局部分析方法、全局分析方法的实验对比,结果表明新算法具有更快的检索速度和更高的查准率。针对传统的信息检索模型只能进行精确匹配的问题,提出一种基于混沌神经网络模型的查询扩展方法。该方法利用混沌神经网络模型自身的记忆性、学习性和联想性,对用户的查询信息进行聚类分析和学习,跟踪用户的兴趣变化,从而推测用户的查询倾向,以用于扩展和重构用户的初始查询。通过与传统的向量模型的实验对比,结果表明新方法具有更高的查全率和查准率。最后,在已有信息检索算法的基础上,结合所提出的改进算法,实现了一个基于查询扩展策略的信息检索系统。