随着互联网的飞速发展，如何从海量的数据中高效准确的检索相关的信息变得尤为重要。通常情况下，用户提交的查询都比较短，提供的信息不够充分，导致词不匹配问题，检索不到感兴趣的文档。因此查询扩展成为信息检索中的研究热点。而查询扩展方法的核心部分是扩展词的选择，扩展词选择策略的好坏将直接影响二次检索的性能。由此可见，查询扩展中扩展词的选择是重中之重。　　 本文重点研究了信息检索中扩展词提取算法，其主要研究工作如下：　　 第一，设计和实现了一种基于语言模型的扩展词提取算法，该算法首先计算每篇相关文档的一元语言模型，即一篇文档生成其包含每个词项的概率，然后将不同文档中的词项合并，对相同词项的概率求和作为相关文档集生成该词项的概率，最后取概率最大的前若干词项作为扩展词。实验证明，这种方法都是有效且可行的。　　 第二，设计和实现了一种基于语言网络的关键词抽取方法，该方法采用一种综合衡量词语重要性的测度来提取文档关键词。实验结果表明，该抽取关键词的方法是有效的。文档关键词能够高度的概括文档的主题，基于这种思想，将关键词抽取同查询扩展相结合，提出了一种基于关键词抽取的扩展词提取方法。　　 第三，本文还提出了一种基于机器学习的扩展词提取方法，该方法从上下文语义分析出发，结合词语之间的共现、距离以及词激活力等特征，对候选扩展词利用SVM分类的方法进行细筛选。实验结果表明，该方法能够有效地改善检索效果。　　 第四，综合本文中的扩展词提取方法，设计并实现了一个基于扩展词二重选择的检索系统。并且基于该系统对本文中的扩展词提取方法进行了对比实验，最后对实验结果进行了评价与分析。