网络信息技术的飞速发展使得信息检索成为用户从海量网络资源中获取有用信息的重要手段，由于目前大多数检索系统主要基于词语匹配，而其查询结果仅仅提供一个冗长的相关列表，这导致许多包含查询词但与检索意图并不相关的文本被返回，不同主题的文本混杂在长列表中，用户获得期望结果需要从中主题混杂的检索结果中逐条浏览再定位。　　检索结果聚类通过对检索结果进行聚类，将其划分为不同的主题类别，并给出每个类别的标签描述，使得用户能够根据类别标签快速定位符合查询意图的类簇集。相比普通文本聚类，检索结果聚类有着类别标签描述的要求，传统的先聚类后标签方法通过词频统计提取的标签描述性太差，由此产生了许多强调标签的先标签后聚类的检索结果聚类算法如STC、Lingo等，然而先标签后聚类的方法并非传统意义上的聚类，其可解释性不强。　　针对传统聚类算法标签提取的语义缺失问题，本文提出了一种将LDA主题引入检索结果聚类的先聚类后标签的方法，该方法将主题模型与传统文本聚类算法结合，利用主题模型将文本表示在低维的主题空间，不仅实现了语义层面的聚类，也使得提取的类簇标签具有更好的可读性。主要工作如下:　　1.对检索结果聚类的特点进行分析，指出了语义对于聚类以及标签提取的重要性，提出了将LDA主题模型应用于检索结果聚类。　　2.2.在面向检索结果聚类任务使用LDA模型时，提出了融合查询关联权重的主题模型，通过将查询关联权重融入吉布斯采样过程，增大查询相关特征词在主题分布中的影响，进而在后续的应用中提升聚类效果和标签质量。　　3.通过分析检索结果聚类过程类簇数目不确定、聚类效率、以及类间可重叠等问题，提出了结合层次聚类和改进Single-Pass聚类的HRSP算法，并提出了一种基于主题排序模型的类簇标签提取方法。　　4.最后结合改进模型和算法完成了检索结果聚类任务，通过与常用的检索结果聚类算法STC以及Lingo算法进行聚类效果及标签对比，发现提出的改进算法能有效提高聚类质量，此外提取的标签也具有很好的可读性。