信息检索中基于相关反馈的查询扩展语言模型因其能够有效地提高查询效率而得到广泛应用。传统上,有些检索模型都做了独立性假设,即索引词之间是独立的,从而对文档和查询进行简单匹配,这样的检索效果都不佳。也有检索模型对两两查询词之间的依赖性进行了考察,但缺乏对多个查询词之间依赖性的考量。本文提出了基于查询词依赖性的查询扩展语言模型,将查询词进行分解,得到原查询词的子集,研究不同查询词组合之间的依赖性问题。运用隐马尔科夫模型(Hidden Markov Model,HMM)考量查询词之间的相互依赖关系,用Viterbi算法优化模型中的参数。在检索过程中,通过考察不同的查询词组合之间的依赖关系来扩展原始查询,使得原始查询得到更加丰富而又可靠的扩充,从而有利于提高检索效果。经过查询扩展后,我们用了两种方法AHMM-I和AHMM-II将原始查询模型和扩展模型集成。AHMM-I方法是传统的线性插值方法,而AHMM-II是自动学习方法。通过这两种方法的比较,实验结果表明我们提出的自动学习方法在原始查询模型和扩展模型的集成上有一定的创新性。本文实验运用了相关反馈和伪相关反馈,选取了TREC下3个标准测试集AP88-90,ROBUST2004,WT10G完成实验。采用KL基本模型,将我们的模型和已有的RM1,RM2,AM和LCE等模型进行对比,我们的评价标准是MAP,同时我们也分析了各个模型的鲁棒性,鲁棒性越高的模型检索性能越好。同时我们研究文档预处理时在滑动窗口大小不同的情况下,模型表现出的检索性能。实验结果表明,我们的模型整体表现最优,在很大程度上提高了检索效率。