在万物互联时代,搜索引擎已经成为人们获取知识的主要工具之一,支撑搜索引擎的信息检索技术已经被广泛的研究。从传统的基于概率模型到近几年发展迅速的神经检索模型,信息检索算法不断被优化,它根据用户提交的查询为其召回相关文档。开发高效率和高性能的检索模型可以为用户带来了更好的检索体验。现有的神经检索模型大多依赖于词向量表示对用户查询和文档进行表征,并在语义层面进行相关性学习,但是这些方法存在一定缺陷。首先,轻量级文本检索模型虽然训练高效,但是其建模依赖于静态词向量,语义理解较差。其次,深度文本检索模型由于结构复杂,往往需要大量的训练数据进行相关性学习。此外,由于文本歧义性,现有方法难以学习用户在真实场景中的检索意图。文本主要针对上述问题展开了研究,主要工作如下:（1）本文详细阐述了信息检索算法的研究现状,结合相关深度学习技术,系统的概括了现有算法模型的优缺点。（2）针对检索任务中轻量检索模型语义理解能力较差问题,提出了一种基于知识图谱嵌入的文本检索模型。首先通过实体连接技术将查询和文档中的实体与知识图谱中的实体对齐并且构建知识三元组。然后通过知识图谱嵌入算法学习知识表示。最后融合文本主题向量以及静态词向量进行特征提取后形成向量表示进行相似度匹配学习,实验结果表明了该算法的有效性。（3）针对检索任务中深度检索模型的训练成本高问题,提出了一种基于对比学习的文本检索模型。该模型以BERT为基本框架,本文首先提出了一种适用于对比训练的数据增强技术,然后通过对比学习算法强化用户查询和文档的文本表示。实验结果表示该模型仅需要原数据集20%的数据即可以与强基线竞争,并且将在两个流行的数据集上实现了最先进的结果,这包括改进MSMARCO的MRR为39.1,NQ的Recall@5为77.2。（4）针对用户查询模糊导致难以挖掘用户检索意图问题,提出了一种基于多任务学习的个性化检索模型。该模型首先通过联合训练文档检索和查询预测任务学习相关性匹配,然后提取用户的检索兴趣特征进行意图理解。通过两个模块的融合,对候选文档进行重新排序以构建个性化文档列表。该算法将AOL检索日志数据上的MRR以及NDCG分别改进到0.758和0.652。