当今时代信息爆炸式增长,用户如何从海量的数据里快速地查找到自己所需的信息显得至关重要。它不仅带来很多值得研究的学术问题,还催生了像百度、谷歌等以搜索引擎为主营业务的科技巨头,而搜索引擎的核心技术之一就是信息检索。文本信息检索研究的是如何从大规模文档集合中找出满足用户需求的文档的过程。其中的关键技术包括:计算查询与文档的匹配、按匹配程度给文档评分并排序。好的信息检索模型能把与查询主题相关的文档排在返回结果靠前的位置。传统信息检索模型可以看作是词项的精确匹配或相关匹配,这些模型检索效率高但是没有考虑词语的语义,从而会有查询与返回文档语义不匹配的问题。现代的神经排序模型利用深度神经网络训练得到查询和文档的语义表示,然后通过交互式编码或者余弦相似度计算来解决语义匹配的问题。最近,已有学者利用传统模型和神经排序模型的优点,提出将相关匹配和语义匹配相结合的信息检索方法,然而,他们使用文档中的所有句子来计算与查询的语义相似度,因此耗时长,代价高,同时,这些混合信息检索模型通需要多个超参数来调优,不够简洁和高效。针对以上问题,本文提出了一种信息检索方法和一种结合了该方法的检索框架:中心句语义相似度模型CSSS和混合模型检索框架XCSSS。本文设计了一种中心句语义相似度信息检索模型CSSS。首先,该模型提出使用一种滑动窗口机制来抽取候选文档的中心句;其次,为了节省计算时间,仅使用中心句而非文档的全部句子来计算文档和查询主题的语义相似度;最后,本文在四个文本检索会议（Text REtrieval Conference,简称TREC）数据集上进行对比实验来验证CSSS模型的有效性。实验表明CSSS模型的MAP值和P@20值相比传统信息模型均有了显著的提升。在使用相同的预训练语言模型和参数设置的情况下,本文进一步对比了在全部句子计算语义相似度的检索模型,实验结果表明,仅用文档中心句而不是文档的全部句子参与语义匹配计算的准确率更高。本文同时提出了一种改进的混合信息检索框架XCSSS。XCSSS用一种非线性组合的方式将相关匹配和语义匹配相结合。与其它线性结合的混合检索模型相比,由该框架产生的混合检索模型的超参数更少,调参所需的计算成本也更少。在经典概率检索模型的代表BM25和语言模型的代表DLM的基础上分别使用该框架,形成了两种改进的混合信息检索模型:BM25CSSs和DLMCSSS。本文也在四TREC数据集上进行一系列的实验来验证混合信息检索模型BM25CSSS和DLMCSSS的有效性。实验结果表明改进的混合模型BM25CSSS和DLMCSSS的MAP值和P@20相比它们各自的基线模型有了显著性提升。这两种改进的模型的检索性能也明显优于一些深度神经排序模型。相比同类型的结合了相同预训练语言模型的混合信息检索模型,本文提出的混合检索模型在保证检索性能的前提下具有更低的时间复杂度,从而能有效节省在预训练语言模型上语义计算的开销。实验又进一步对混合模型和中心句语义相似度模型的性能进行了比较,结果证实了结合了语义匹配和相关匹配的方法是更有效的。最后,本文分析了中心句个数对这两种改进的混合检索信息检索模型性能的影响。