随着Internet的飞速发展，网络上的信息呈指数增长，其内容之丰富，种类之繁多，堪称世界上最大的信息资源，如何能够更有效、更准确地找到自己感兴趣的内容，滤除与自己的需求无关的信息，真正做到“各取所需”，关系到我们能否充分利用这个巨大的信息资源的问题，这已成为基于Internet的网络信息获取的热点问题，也是本文的研究目标。 近年来，在信息查询领域中兴起了信息过滤(information filtering)技术，它是一种系统化的方法，用来从动态的信息流中抽取出符合用户个性化需求的信息。相比于传统的信息检索模式，信息过滤技术具有较高的可扩展性，能适应大规模用户群和海量信息；可以为用户提供及时、个性化的信息服务；具有了一定的智能和较高的自动化程度。 文本将介绍Web上的信息过滤的基本问题，包括：信息过滤的体系结构，过滤系统的特点及分类，检索和过滤的关系，过滤系统常用的模型以及过滤系统的性能评价指标等，从总体上对过滤问题进行一定的讲述，指出现存的信息过滤系统中存在的问题。 针对过滤系统中存在的部分问题，在现有的信息过滤技术的基础上，结合机器学习中的神经网络方法和智能体Agent的技术，对现有的过滤算法进行了一定的改进，并给出了具有智能性、主动性和扩充性的基于多Agents的个性化过滤系统的模型。本文的主要研究内容为以下三个部分：个性化模式库的表示、建立和维护；改进的过滤匹配算法；基于多Agents的智能过滤系统模型。 对于个性化模式库的表示，本文给出了一种多用户多主题的分类表示方式，使得每个Profile文件只表达一个用户的一个主题，可以更清晰的表达用户的兴趣；对于个性化模式库的建立，本文采用了机器学习中的Hopfield神经网络模型，Hopfield网络具有丰富的联想记忆功能，可以用来对用户兴趣进行联想，建立用户的初始个性化模式库；对于个性化模式库的维护，采用了基于用户反馈的学习方法。 在改进的过滤匹配算法当中，本文结合了布尔模型和向量空间模型的优点，综合考虑了过滤过程中的匹配度和相似度，给出了新的过滤匹配算法，并通过对比模拟实 山东师范大学硕士学位论文验证明了算法的有效性。 结合智能Agent的特性，本文提出了基于多Agents的个性化智能过滤系统模型，对系统中Agent的关系、功能、结构以及系统实现的关键技术和流程进行了详细介绍。该模型充分利用了Agent智能体的特性，将从智能性、主动性、扩充性、易维护性等方面弥补了现有信息过滤系统中的不足，提高速度和精度，帮助人们最大限度的发现自己感兴趣的问题。