随着互联网的高速发展,网络资源的海量化和网络资源语种的多样性不可避免地给用户从海量资源中搜索目标资源带来了语言障碍。因此,如何让用户在语言多样性的环境下准确地检索到相关信息成为信息检索面临的难题。为了满足这类型用户的需求,多语言信息检索（Multilingual information retrieval,MLIR）随之产生,它可以在多于一种语言的文档数据库中搜索相关文档以响应查询。MLIR的主要挑战在于查询和文档在语义对应上的不确定性,因此,它需要适当地使用翻译知识来对可能属于或不属于查询语言的文档进行评分。本文针对语义对应上的不确定性,将多语言信息检索分为单语言语义匹配和跨语言语义对齐两个子任务,并围绕单语言信息检索和跨语言信息检索分别对两个子任务展开了研究。主要完成了以下研究工作:（1）基于特征自适应识别及鲁棒表征的单语言检索方法针对单语言匹配检索所涉及的查询和文档包含不同数量级的信息并呈现不对称的特点,现有的解决方案主要侧重于对非对称文本之间的特征交互进行建模,但很少进一步识别鉴别信号并进行特征去噪以增强相关性学习。因此,提出了一种基于特征自适应识别及鲁棒表征的匹配模型来实现文档检索。针对每个查询文档对,该模型旨在以上下文感知的方式显式区分鉴别特征并过滤掉不相关的特征。具体而言,首先设计了一种自适应孪生识别门控来识别鉴别特征并为文本对生成相应的混合表示。之后,本文引入了基于局部约束的鲁棒哈希表征学习模块,通过学习用于冗余较长文本的判别低维二进制代码来执行特征级去噪,以此来平衡查询文档信息量的差异性。在四个匹配检索数据集上的广泛实验表明,该方法相比基线模型取得了更好的性能增益,有效的提升了单语言检索精度。（2）基于层级渐进语义对齐的跨语言信息检索方法跨语言文本检索中查询和文档属于两种语言,彼此存在较大的语言差异性,并且对于低资源语言缺乏跨语言的海量标注数据,因此为跨语言文本检索（CLIR）带来了极大的挑战。针对这些问题,论文基于层级渐进语义对齐网络（DLCCFA）,实现了更好的跨语言语义对齐,有效提升了文档检索的精度。DLCCFA设计了单词级别的粗粒度过滤器和句子级别的细粒度过滤器。具体来说,针对查询的每一个单词,本文首先通过概率双语词典为查询中的每个标记提取前k个翻译候选。然后,提出了一种翻译概率注意（TPA）机制来为每一个单词获得粗粒度的词对齐,从而生成相应的查询辅助句。之后,本文进一步提出了一种双语交互注意,并利用自注意机制来实现细粒度的句子级语义对齐,从而实现查询的跨语言表示。这个想法是让查询中的每个词都充当锚,以过滤查询辅助句中的语义噪声并准确对齐不同语言的句子级语义。对六种语言的四个CLIR数据集的广泛实验表明,本文方法可以优于CLIR的主流替代方法。（3）多语言文本匹配检索原型系统利用以上研究成果,设计并实现了多语言文本匹配检索原型系统。集成了英语作为查询输入的单语言信息检索模型和跨语言信息检索模型,并为用户提供了可视化的信息获取平台。