检索文档的相关性判断是信息检索中的核心问题。同时,用户的相关性判断标准通常被认为是多维度的。在已有的研究中,已经定义和研究了一系列可能影响文档相关性的关键因素,如话题相关性,新颖性,可靠性等。然而,多数现有的工作仍集中在对单独的相关性维度的研究上,而忽略了一个关键的因素,即:用户在判断文档的相关性时,其判断标准并不是单一和静态的。在真实的搜索环境下,不同的相关性维度之间会出现不同程度的动态交互作用,且这种交互作用会影响用户对文档最终的相关性判断。因此,对不同维度之间的动态交互情况的研究是必要的。在本文中,用户的动态相关性研究分为两个主要方面:第一,对于一个查询(Query),用户在判断某一文档时,对不同的相关性维度的关注程度是动态且交互的;第二,在一轮包含多次查询的检索会话(Session)中,对其中的每个查询,用户在判断文档的相关性时,会动态地受到上一个或前几个查询结果的影响。针对上述动态性的两个方面,本论文基于多维度用户相关性模型(Multidimensional User Relevance Model,MURM),从模型的7个相关性维度出发,提出不同的探究问题及相应的假设,同时设计验证实验,借助排序学习算法Learning to Rank框架,在主流搜索引擎的真实检索日志数据集以及TREC数据集上进行实验。实验结果证明,两种动态性普遍存在于文档相关性判断过程中,且考虑这种动态性时,检索模型的排序效果会受到不同程度的影响。该工作对于以用户为中心的搜索引擎的性能优化以及个性化检索的实现提供了有价值的启发,并可以为其他包含多维度决策的自然语言处理相关任务提供新的研究方向。