随着互联网信息的快速增长，搜索引擎和信息检索技术成为人们获取信息的有效工具。在搜索引擎背后，则是一系列排序算法在起作用。其中最重要的一类方法是学习排序算法，也就是使用统计机器学习的方法，输出一个排序模型，用其对网页进行排序。统计学习理论就是从本质上研究统计机器学习的理论框架，以及探讨学习算法的性能的研究课题。学习排序问题在近年来，已经成为机器学习和网络搜索领域非常重要的一个研究课题，然而关于它的理论研究却仅有少数工作，究其原因，是因为，排序问题要比传统的分类问题或者回归问题更加复杂，从而导致传统的统计学习理论无法直接应用。这就对创新和发展统计学习理论提出了更高的要求。本文立足于实际需求，根据学习排序问题的内在特征，提出了学习排序问题的理论框架，并在该框架下研究了推广性和一致性的统计学习理论问题，创新并发展了传统的统计学习理论，开启了一个新的理论分支，统计排序理论。　　 首先，我们发掘了学习排序问题的本质特征--查询词，创新的提出了两层的统计学习模型，将查询词看作外层独立同分布的随机变量，将文档看作是内层依赖于查询词的条件独立同分布的随机变量，从而自然的将查询词纳入到了学习排序问题的框架中，并很好的描述了学习排序问题的三种方法，单点型，点对型和列表型算法。在该框架下，我们定义了查询词级别损失和查询词级别风险，首次实现了学习目标与评价准则的一致性。　　 其次，我们在该框架下，研究了学习排序算法的推广性问题。对于单点型和点对型排序算法，我们提出了查询词级别稳定性的概念，给出了一个一般的查询词级别的泛化界，我们利用该结果对信息检索中经典算法Ranking SVM和新兴算法IRSVM进行了对比，对经典算法RankBoost和其变种算法进行了分析，并使用试验验证了我们的理论结果；对于列表型排序算法，我们使用统计中的Rademacher Average理论，给出了一个一般性的泛化界，并对三种现实中常用的列表型排序算法ListMLE，ListNet和RankCosine进行了讨论。这些结果不仅可以对算法进行理论分析，同时也为改进已有算法和设计新算法提供了理论指导。　　 再次，我们研究了学习排序方法的一致性问题。我们给出了学习排序问题的真实损失，讨论了最优排序的存在唯一性条件，并给出了学习排序方法一致性的一个充分条件。我们的结果比以前的工作更加广泛和一般，并且可以涵盖以前在分类问题中得到的一些结果，从内在揭示了排序问题与分类问题的关系。