在信息全球化的今天，为了主动、快速、高效地获取自己需要的信息，人们对于搜索引擎的使用越来越频繁。当前的通用搜索引擎，对于任意查询，其检索结果都是以线性列表的形式组织展现，导致用户很有可能需要浏览多个页面之后才能找到自己需要的信息，这对于用户来说是十分麻烦而且耗时的。在这种背景下，对检索结果进行聚类是一项非常有现实意义的工作。针对此问题，当前已有许多相关的系统和方法，但是，它们都存在着诸多不足，其中聚类标签质量的欠缺尤为明显，从而导致用户体验较差，使得此类系统和研究不能广泛应用开来。　　 本文首先调研了该问题的国内外研究现状，并具体探讨了搜索引擎和检索结果聚类相关的关键技术和原理。在分析已有工作不足及原因的基础上，本文实现了一种先提取聚类标签，再根据标签进行聚类的算法框架。该方法以标签良好的可读性、描述性和区分性为目标，从搜索结果的标题和摘要集合中抽取合适的短语作为候选。在抽取短语过程中，先将搜索结果文档集合映射到一棵后缀树上，然后利用词性、词频、短语长度、位置距离、LSA分析等特征和技术来计算并挑选符合期望的候选标签。利用上述结果，根据标签和文档的内容关系形成初步聚类，然后在初步聚类结果的基础上，分别计算聚类内部平均相似度、标签的区分度得分等，进一步改进聚类和标签质量。　　 基于上述研究工作，针对普通检索结果聚类的一种常见应用场景，人名搜索聚类，本文随后进行了深入的研究。对于人名搜索聚类，它的核心在于消歧，对准确率有着较高的要求，需要利用外部准确有效的信息进行指导。本文提出了一种基于隐含主题信息的人名聚类框架，先利用LDA模型对外部海量文本进行主题分析，再将分析得的主题模型用于人名搜索结果信息增强，将每篇文档分别表示为主题向量和词向量。然后基于此文本表示方法进行文档间相似度计算，进而对人名搜索结果集合聚类。　　 以上述算法框架为背景，本文分别设计实现了普通中英文检索结果聚类的实用系统和人名搜索结果聚类的实验系统，并各自进行了对比实验，详细分析了实验结果。