互联网的迅猛发展使其所含的信息数量激增，在这样一个无限、无序的空间里，快速、准确地查询到所需要的信息已经成为一件非常困难的事。如何能够在这浩如烟海的Internet信息世界寻找到用户所需或感兴趣的信息已经成为研究者追求的目标，为了达到这个目标，搜索技术的发展方向应该是不断贴近用户需求，模拟人类智慧，其智能化、个性化发展已经成为不可逆转的发展趋势。 本文主要针对网络信息的个性化服务，通过对用户上网行为的实时跟踪，以及对用户不再感兴趣的信息进行及时过滤而展开研究工作的。研究的目的在于通过在客户端浏览器上引入具有界面Agent、自适应学习Agent和过滤Agent的协调工作，以加强和改进客户端浏览器的功能，提高信息采集质量和信息搜索效率，从而实现了面向用户兴趣的信息检索。本文的主要工作包括： ①提出了基于MAS(Multi-AgentSystem)的面向用户兴趣的网络信息检索系统(UserInterestInformationretrievalSystem，简称UIIRS)，在该系统中，对UIIRS的框架进行了详细的设计，分别对界面Agent、学习Agent、过滤Agent的进行了功能描述。 ②形式化定义了用户感兴趣的检索内容，提出用户兴趣的数学表示形式——兴趣向量的形式化描述，并定量地设计出用户对某兴趣项的兴趣度的计算方法。 ③改进了强化学习算法中的Q学习算法，基于Agent对当前上网用户行为学习的信念(Belief)设计了一个动态Q学习算法，该方法采用的是估计用户兴趣改变和环境的信息(信念)而非Q函数，因而就不用观察下一个兴趣项的实际回报值和它的Q学习参数。 ④提出了基于向量空间模型的信息过滤与推荐算法，由过滤Agent将用户不再感兴趣的网络资源通过上述过滤方法过滤出去，由此保证了用户的知识库时刻处于更新状态。 ⑤分析了现有的基于Agent的编程模式，并用实例阐明AOP是对OOP编程方法的拓展和延伸，应用了新的面向Agent的编程语言——JACK语言，从而加强了对智能Agent的Belief，Desire，Intention各个模块的定义和理解。 ⑥设计了基于MAS的UIIRS并实现了部分系统的功能。