随着互联网的快速发展,互联网已经成为全球最大的信息数据库,而如何在这些海量数据中快速定位到我们所需要的信息,这一问题已经成为当前重要研究课题。现有的搜索引擎排序技术是基于词频和位置的统计排序,或是基于链接分析的排序,然而这些方法都有一些不足,如词频统计没有利用跟网页链接有关的特性,基于链接分析的排序在链接设置上存在欺骗行为。　　排序学习作为网页排序领域中的新方法可以弥补上述两类排序方法的不足,本文主要对排序学习的中文网页的特征提取和基于样本对级别的RankNet排序算法进行了研究,具体工作如下:　　首先,对排序学习的中文网页特征提取进行了研究,分析中文网页与英文网页的不同,除了应用传统的词频统计方法,基于链接的特征提取方法,以及文档相关性提取的概率模型BM25和语言模型LMIR特征提取方法外,提出将词性分析加入到编辑距离特征提取中,并将其加入到了排序学习的中文网页特征提取系统中。　　然后,提出了对基于神经网络的样本对级别方式的排序算法的改进,以RankNet算法为例,对其误差函数进行了改进,加入文档位置权重信息,对不同位置的文档组成的文档序对赋予不同的权值。　　最后,本文对上面提出的两点改进进行了实验,结果表明在特征提出时加入编辑距离特征,排序的错误率降低了3％到9％;改进后的RankNet算法能够有效的提高网页排序的精度。本文设计并实现了一个基于神经网络的排序学习搜索引擎系统,在系统的检索排序上,我们使用了RankNet改进后的排序方法,可以提高检索结果的查准率。