互联网的迅猛发展和计算机水平的提高带来了信息过载问题,如何快速的从中获取用户所需要的部分,成为一个亟待解决的问题。信息过滤技术可以帮助人们检出感兴趣的信息而屏蔽掉其它部分。而自适应信息过滤技术由于只需要少量的用户需求信息,并且在过滤过程中能够自适应地调整系统,提高性能,更适合于互联网的实时过滤要求,从而成为人们关注和研究的热点。本文在向量空间模型的基础上,主要对自适应文本信息过滤中如何更准确地构建用户模板以及在过滤过程中模板学习算法进行了研究。在初始化构建用户模板方面,本文提出了两种基于查询扩展技术构造用户模板的新方法:基于《同义词词林(扩展版)》的查询扩展和基于网络挖掘的查询扩展,并主要对基于网络挖掘的查询扩展技术进行了深入的研究。该方法以互联网作为信息来源,充分考虑了待扩展词所在的上下文,并融合了句法分析等高层自然语言处理技术,通过扩展和确认两个主要步骤,逐步求精,使扩展的精度很高,从而在只有少量需求描述的情况下,使初始化构造的用户模板更加准确和丰富。在用户模板学习方面,本文提出了一种基于层次聚类的自适应学习机制,通过对伪相关反馈信息进行聚类,选择最相关的一类信息用于更新用户模板,从而解决用户需求初始信息稀疏和阈值估计偏见性问题。经过实验验证,该方法一定程度上屏蔽了初始信息上下文稀疏及语言歧义问题对自适应学习的误导。此外,选择聚类择优后的一类信息参与Rocchio自适应学习与更新,能够有效地削弱阈值偏见性和伪相关反馈排序偏见性造成的负面影响。