近几年来,随着计算机和网络的发展,互联网信息成指数级增长,搜索引擎已经成为用户上网必不可少的工具。传统搜索引擎的优点是信息量大,更新及时,无需人工干预,但随着网络信息的成倍增长,海量搜索技术的弊端也日益明显,返回信息过多,夹杂着大量重复或无关的信息,必须从检索结果中自行进行二次或多次筛选,无形中降低了搜索的准确性。迫切需要能有新的技术来解决这些问题。本课题研究了基于多Agent的优化搜索的几个关键问题,从第二代搜索当前所存在的问题出发,对搜索引擎的进行进一步优化。在关键词匹配搜索的前提下,通过客户端和服务器端的Agent的交互,用机器学习的方法,详细分析用户的点击和浏览行为来改进服务,把用户的对网页的重要性判断考虑进去,更好的利用用户相关性反馈信息,使信息的重要性的判断上增加整个用户群体的判断来改进服务器端的算法,优化整个搜索引擎的总体性能。提出了在搜索过程中人机相互协作的重要思想。通过客户端和服务器端的Agent的交互,把具体到某用户搜索行为时的不确定性和个性考虑进去,通过用户使用前提交的兴趣偏好信息和历史浏览行为,来增加对于具体某个用户搜索接口的个性和智能性。本文首先对传统搜索引擎技术和分类进行了介绍,然后对Agent的定义和系统体系结构及用户兴趣学习技术进行了详细的介绍。随后设计出了自己的基于多Agent的搜索引擎的体系结构,详细设计了各Agent的功能。最后在服务器端使用元搜索引擎的情况下,模拟和实现了客户端各Agent的搜索行为,并作了对比实验。