幽默是人类生活中不可或缺的一部分。作为人类交流沟通中的工具,它能够使人们在交往的过程中打破隔阂、消除沟通的界限。人们通过幽默诙谐的方式可以化解交往中的尴尬,促进人际关系形成,从而能够建立良好的个人社会关系。随着机器学习和深度学习的发展,自然语言处理研究不仅在学术界取得巨大进展,在工业界也促进了“小爱同学”、“微软小冰”等带有情感的智能产品走进人们日常生活。若能赋予计算机理解幽默的能力,将会进一步实现人工智能。因此幽默计算已经成为人工智能领域中一个颇有前景的方向。本文构建了一个中文幽默语料库,利用该语料重点研究了幽默识别任务和幽默生成任务。本文的主要贡献如下:（1）针对中文幽默数据集匮乏的问题,提出了一种基于中文幽默理论的数据标注流程。通过语料收集、筛选标注、分析应用等过程,构建了中文幽默语料数据集Humordata,该数据集幽默类型丰富、笑点明显,可用于一般性中文幽默生成任务,共35667条幽默文本。针对不同任务类型的幽默识别任务,构建了幽默数据集Aindata和AMQ-GANdata。数据集Aindata来源于社交媒体的用户对话,可用于日常对话幽默识别任务,共43922条文本,其中包含幽默文本25605条。数据集AMQ-GANdata中幽默和非幽默文本之间的语义关联明显,识别难度较大,可用于检验幽默识别模型的泛化能力,共61454条文本,其中包含幽默文本30727条。以上数据集的幽默文本均具有简短、通俗易懂等特征,能够为不同类型的中文幽默计算任务提供数据支撑。（2）针对幽默文本识别任务,即判断一段文字是否是幽默文本,提出了基于BERT-Text CNN的多特征融合幽默文本识别模型（Multi-Feature Fusion Humor Text Recognition Model Based on BERT-Text CNN,MFF）。该方法针对多个基于BERT的预训练模型进行微调,得到了更加贴近幽默文本属性的词向量表示。通过Text-CNN网络提高了模型对幽默特征的提取能力。通过融合幽默的局部特征和全局特征,学习上下文信息,提高了模型对幽默文本的识别能力。实验证明,本文在自行构建的中文幽默数据集相比当前最佳方法提升了2.54%,在公开的中文幽默文本数据集上比当前最佳方法提升了2.67%。（3）针对开放式幽默短文本生成问题,提出了一个新的幽默文本生成任务:毒鸡汤类型文本的自动生成。针对此任务,提出了基于生成对抗网络的毒鸡汤幽默文本生成模型（Anti-Motivational Quotes GAN,AMQ-GAN）。该模型通过引入幽默模板和对比学习方法极大发挥了预训练模型的作用,提高了对幽默特征的自主学习能力。同时在对抗生成网络中,通过加入语义特征判别器和幽默特征判别器,更好的兼顾了文本对主题约束、行文通顺以及幽默的要求。此外,根据幽默生成任务的特点,本文提出了包含语义通顺、主题一致、幽默程度的人工评价指标。实验结果表明,该模型在BLEU指标达到30.4%,人工评判的幽默文本生成比例为20.6%,均优于当前最佳方法。