英语种的外国人在查询中国相关的新闻时，希望能有比较好的查询体验。受“孔子学院跨文化传播影响力研究”项目组的委托,本文实现了一个带查询推荐的中国新闻检索系统中的主要模块部分。系统的最终目的是当用户对特定的词语进行查询时，能够提供相关性大的词语给用户选择，帮助用户明确查询意图，推荐用户感兴趣的词语，最终能够提高检索网页的准确性和全面性。论文实现了系统中的三个大的模块，网页采集模块，网页预处理模块，查询词推荐模块。网页采集模块实现了一个基于HtmlUnit的多线程网络爬虫，可以采集部分的动态网页。URL去重部分使用布隆过滤器，这是一种高效的去重数据结构。网页预处理模块实现了网页的去噪，网页去重，网页分类，网页存储。网页去噪部分使用网页分块的算法，利用网页的链接密度，文字密度等特征进行正文提取。网页去重部分是基于Simhash算法，这是一种高效的大规模网页去算法。查询推荐模块是本文的重点。当用户查询时，首先要对查询词进行纠错。查询纠错使用自然语言模型中的二元语言模型进行纠错，这种纠错方式利用隐马尔科夫原理，求解概率最大化，保证查询短语的正确性。为了推荐词语，必须从文档中抽取重要的词语，计算词语之间的相关性大小。词语抽取部分使用斯坦福词性标注器辅助实现，这个标注器的原理基于最大熵模型的，具有类线性的效率。词语之间的相关性大小使用词语的上下文的向量进行计算。在一个词语出现的语境中，往往伴随出现类似的上下文词语，利用这些上下文词语形成向量来表示一个词语，这样计算出来的推荐词语具有一定的语义相似度。最后，本文还针对查询纠错和查询推荐设计了高效的索引文件，能够保证快速查找，批量式的增量更新，从而避免了对旧的文档重复统计和计算。