随着电子文档和网络资源的增加,人们越来越容易获取他人的学术成果,也越来越容易盗取他人的学术成果。中国很早就制订了著作法,各个学术机构也制订了学术抄袭的严厉惩罚措施,但仍然存在许多学术抄袭现象。可见如果没有一个良好的文档复制检测系统,不良学者就会更加肆无忌惮的抄袭他人的文章。本文先对对国内外的文档复制检测系统和技术进行研究,分析各个技术的利弊。接着对文档复制检测系统的未来发展方向进行了解。然后着重分析几个具有代表性的文档复制检测原型系统和相关技术,包括词频统计技术、串匹配技术和个别数字指纹技术。再接着提出一个文档复制检测系统原型,该系统基于改进的滑动句子级,需要聚类倒排,聚类采用自研的基于正交基的软聚类,系统精确匹配使用最长公共子序列和词袋模型进行标注。最后进行大量实验,发现该系统除了不能很好支持英文检测以及注册和检测速度较慢外,有着高准确率和召回率,尤其是在标注方面有着很好的效果。创新点:本文提出了改进的滑动句子切分方法,聚类倒排时使用了自研的基于正交基的软聚类方法,精确匹配时结合使用最长公共子序列和词袋模型方法进行标注,为了检测出小短句的抄袭,采用小短句循环补齐的方法检测。本系统需要进行文档注册,然后才能用于相似性检测。文档注册流程是先进行文档预处理(主要是做文档数据的清洗,包括段落合并、页面拼接、文章结构识别、图表识别、乱码处理)。然后进行文档分块(包括句子的切分、滑动,词的切分、筛选)。接着进行基于正交基的软聚类(包括聚类和软分类)。最后是按类倒排索引(主要是对词、句子ID及词在句子中的TF-IDF值进行倒排索引,方便复制检测时进行查找)。文档相似性检测分为快速检索和精确匹配。快速检索旨在找到可疑文献,精确匹配旨在确认句子是否相似并标注抄袭部分。根据模块测试,本系统决定使用名词、动词和形容词;使用改进的滑动句子级切分法;使用基于正交基的软聚类方法;采用词频统计技术;用小短句循环补齐提高召回率。系统集成测试表明文档注册时间和注册的文档规模成正比;检测速度和待检测文档的规模成正比;系统对各种抄袭的检测效果不错。通过和其它检测系统的对比发现,本系统的检测效果很好。本系统未来会仔细研究算法,减少文档注册时间和检测时间。在英文支持和语义支持方面也需要仔细研究。此外,精确标记的效果还能进一步改进(如LCS的优化算法,相同词的标注情况)。系统的分布式实现和双语检测也是未来的发展方向。