21世纪是网络经济的时代,伴随着互联网的迅速发展,internet上的信息量在不断增加,然而如何从浩瀚的信息海洋中得到所需要的信息就显得更加有意义。在信息检索中,搜索引擎使用排序算法对被检索文档根据与查询的相关性大小进行排序,研究者们提出了关于相关性的数学检索模型。语言模型是目前性能较好的模型。对于困难查询(difficult query)来说,检索结果较差并且排序靠前的文档很少有与用户需求相关的,怎样在语言模型下使用那些不相关的信息来提高检索精度呢?就提出了相关反馈技术的特殊情形即负反馈技术。本文主要提出了基于语言模型的信息检索中正相关反馈和负反馈相结合的方法,在语言模型框架下应用类似于向量空间模型中的Rocchio反馈方法的反馈算法,对查询进行扩展和查询词的概率进行修改。本文主要考虑初次检索结果的前十个文档,作为查询扩展的局部文档情形,一般传统地认为这十个文档都是相关文档,用来进行伪相关性反馈。本文是将前十个文档分开考虑,根据与标准的相关性判断文件的比较,将它们分为与查询相关的文档集和与查询不相关的文档集,分别与原查询生成正模型和负模型,即在正模型中出现又在负模型中出现的词加到查询中对查询进行扩展,并且适当地增加在相关文档中出现的查询词的概率,减少在不相关文档中出现的查询词的概率,即把相关性反馈和负反馈相结合来提高扩展后查询的精确度,从而使得新查询模型的检索结果性能较伪相关性反馈后的查询和原查询都有很大的提高。