随着当今科学技术的飞速发展，各类信息层出不穷，由此产生的各种科技文献、新闻资料乃至互联网上的信息可谓是爆炸式的。人们要在如此众多的信息中找到自己所需的信息，则需要强有力的搜索引擎来支持。目前，搜索引擎系统为了提高用户响应速度，扩大系统检索范围，都有向并行、分布式体系结构方向发展的趋势。 本文提出了一种全新的分布式智能检索系统的实现方法。它不同于传统分布式检索系统的解决方案，而将机器学习（Machine Learning）技术运用于检索代理（Search Broker）部分，使其拥有一定的学习能力，从而为进行有效的信息过滤打下基础。同时该系统还能够根据用户的个人研究领域和兴趣，提供个性化的用户服务。论文首先介绍了信息检索系统的三大经典模型，并给出相关领域的概念定义——大规模分布式信息系统的概念和实现原理；然后给出了评估信息检索系统的有效性（Effectiveness）的定量公式；本文还介绍机器学习在信息检索领域中的应用现状，并给出若干智能信息系统实现的方法。 在此基础上论文提出了分布式智能信息检索系统的模型。它构架在传统的分布式系统的基础之上。每个检索节点上，系统采用向量空间（Vector Space）模型来构架，并对检索节点的返回结果按相关度排序；在若干检索节点之上构建一个检索代理，其作用是分发用户的检索请求，并将各个检索节点的返回结果汇总，并进行一定形式化处理和加工，最终返回给用户。本文详细描述在检索代理部分加入一个CC4神经网络，它以节点返回的结果文档为训练样本，抽取一定数量的正例子和反例子来进行训练，通过学习，最终让神经网络判别剩余样本的相关度，过滤大量无关的信息，从而满足用户信息需求。通过大量的实验结果表明，本文提出的分布式智能信息检索系统具有相当的实用价值。