循环神经网络因其优秀的序列建模能力,广泛被应用于自然语言处理领域的各项任务。其中,在对句子嵌入表示进行学习时,循环神经网络通常以句子的词序列信息为输入。但对于中文等没有天然词语分隔符的语言,在句子的分词预处理过程中,非最优的分词粒度和分词错误会破坏句子的语义和结构,影响循环神经网络模型对于句子语义信息的建模。为解决上述问题,本文提出了基于词格的神经网络句子表示学习模型。词格作为一种图结构表示形式,能够包含指数级别的分词结果,容纳不同候选分词和切分粒度,具有比单一分词结果更加丰富的表达能力,可以有效减轻分词过程带来的错误信息对后续句子语义建模的影响。鉴于循环神经网络模型无法建模图结构输入,本文首先提出了基于带权词格的循环神经网络模型,通过将循环神经网络泛化到有向无环图的结构上以建模词格信息,并利用词格中边的权重信息作为监督信息指导模型建模;同时,本文还提出了应用于神经网络机器翻译的基于图神经网络的词格编码器,以期利用图神经网络建模词格信息,并且,通过基于时间的注意机制和全局状态的引入,本文模型得以自适应地组合不同的上下文窗口中的局部信息及捕捉词格节点间的长期依赖关系。情感分类和问句分类任务上的实验与详实分析,验证了本文提出的基于带权词格的循环神经网络模型的有效性。同时,NIST中文-英文和ASPEC日文-英文翻译任务上的实验结果,展现了将基于图神经网络的词格编码器引入到神经机器翻译中的优越性能。