随着互联网迈向Web 2.0时代,博客以极快的速度融入到社会生活中,成为互联网的基础服务之一。博客迅猛发展,博客数量爆炸增长,在为人们带来丰富信息的同时也带来了难以寻找有用信息的烦恼,使博客检索和分类技术的研究价值日渐凸显。本文正是在这种背景下,对博客检索的关键技术展开了研究,主要研究内容包括以下几个方面。第一,本文在归纳分析经典搜索引擎架构模型的基础上,结合博客的特点设计了适合博客检索需求的搜索引擎系统架构。第二,本文讨论包括网页搜集、网页信息抽取、中文分词、索引、检索和用户接口在内的一系列搜索引擎系统主要研究内容,并根据博客特点加以改进、优化。例如:使用博客URL过滤规则对非博客网页和非博客文章网页过滤;利用博客域名多使用虚拟主机技术的特点改进博客域名解析和DNS缓存;根据博客网页结构特点实现高效、准确的博客正文、标题和作者等信息的抽取;针对博客搜索的定位优化中文分词词典,加入计算机、软件、网络、电子术语等IT领域专业词典,还针对博客语言特点增加网络流行新词词典,提高检索的准确率;修改开源全文检索工具包cLucene,使其更好的支持中文处理,完成倒排索引和检索工作。第三,本文提出利用博客标签和正文信息融合的博客文本分类算法。由于博客文本的内容、风格缺乏规范性,加上在领域内分类,分类粒度小,为自动文本分类增加了难度。博客作者通常为文章指定一个或多个标签,标签在很大程度上概括了文章涉及的内容,对博客文本分类有重要的作用。本文根据博客文本标签这一特点,提出了两种标签信息和正文信息融合的博客文本分类算法。实验结果表明,标签信息有效提高了博客文本分类的效果。