随着互联网技术的迅速发展、互联网上信息量急剧增加，网络已成为人们获取信息的重要途径。用户渴望在膨胀的资源中快速检索出自己想要的信息的愿望，迫使传统搜索引擎向智能化、个性化的方向进行改革。能够感知用户意愿、满足用户个性化需求的个性化搜索引擎将成为未来发展的趋势。因此，本文设计了基于PageRank算法和用户兴趣模型的个性化搜索系统。首先，针对PageRank排序算法存在的四个问题，从网页相似度、点击量、权威性、时间因子入手对PageRank进行改进。首先，在网页分块的基础上，分析位置标签、锚文本、向量空间模型，综合估计网页间相似度，改善主题漂移；其次，分析点击量和点击量增长速度，评估网页重要性发展趋势；再次，利用站内评价和站内外链接计算网页权威性，影响PR值的传递，并防止网页作弊；最后，借助时间补偿因子，消除对新网页的歧视，使新旧网页获得与其实际价值相符的权值。其次，基于改进的向量空间模型和显隐式结合的建模方式，分析用户的注册信息、用户收藏夹、历史浏览记录，构建用户兴趣模型。模型更新采用不定时更新和定时更新两种机制，不定时更新模型是当用户向收藏夹中添加网页时采用的方法，定时更新模型是基于艾宾浩斯遗忘曲线,每隔一段时间就对用户模型内的特征项进行一次更新操作。最后，分析开源搜索引擎nutch的工作流程，以nutch为基础进行二次开发，在nutch中添加用户兴趣模块，并用改进的PageRank算法替换nutch中原有的排序算法，实现个性化搜索。并利用nutch抓取大量网页，以此作为实验数据，进行相关对比试验。实验结果证明，相较于传统的PageRank，改进后算法的排序结果准确率更高。基于改进PageRank算法和兴趣模型的个性化搜索系统，能更好的满足用户的个性化需求。