随着互联网的快速发展，信息的数量呈指数增长，从海量的互联网信息中查找到用户所需要的信息，已经成为信息检索中的一项迫切需求。目前较为常用的是基于关键词匹配的信息检索技术，然而面对汉语语言文化表达形式的多样性，一词多义与一义多词等现象屡见不鲜，基于关键词的检索技术在潜在语义的信息挖掘方面，已经无法满足用户更为全面的检索需要。Latent Dirichlet Allocation （LDA）作为一种潜在的语义主题模型，可以实现相同语义的主题单词之间的相互关联，给信息检索中文本的潜在语义信息的挖掘提供良好的检索模型框架。本课题针对LDA在信息检索中的应用进行了如下研究：首先，基于LDA模型的主题分类算法的改进。针对LDA在大规模数据集的数据挖掘中所存在的文档主题强制性分配，以及主题太过宽泛等问题，本文提出基于LDA的文档主题分类生成算法，在文档的产生过程中，通过加入文档-类别标签γ，计算文档的最相关主题的概率，判断文档的所属类别，实现文档在类内的主题挖掘与主题共现。其次，信息检索中文档主题检索模型的构建。针对传统的基于关键词的检索中存在的潜在语义信息遗漏等问题，在已有的检索模型算法的基础上，运用LDA的文档主题提取算法，提取文档中的主题信息结构，将文档的主题信息整合到传统的查询概率检索模型中，构造新的基于LDA的文本主题检索模型，实现模型中文档的语义主题表示，使模型的检索效果得到一定程度的改善和提高。最后，在Nutch开发平台下，根据中文信息检索中存在的语义检索特点，对中文文本进行预处理，实现中文文本中“停用词”的过滤以及中文文本的分词，在此基础上，通过LDA模型获取文档的主题信息，将其应用于检索系统的文档索引中，实现文本的主题表示以及文本之间的相互关联，为用户提供更加全面的检索体验。