网络信息爆炸式的增长方式促使了计算机文本自动处理技术的发展,如何高效、准确地获取文本语义信息是目前迫切需要解决的问题。考虑到人类理解句子的过程可以描述为对先验信息的检索及语义概念的整合,因此本文主要通过研究相关计算模型,获取更多的先验知识以及较为关键的信息,从而更加准确地消除词语的歧义并且提取更为丰富的语义信息,主要工作及研究内容如下:(1)研究融合统计特征与事件Attention机制的特征提取方法。针对现有基于Attention机制的双向长短时记忆网络在解决文本分类相关问题时存在增大模型计算量以及损失部分文本语义信息的问题,提出在结构化的事件级别上计算Attention权值的方法。同时,考虑到深度学习模型无法学习文本统计特征的问题,本文在事件Attention权值计算的基础上融入统计特征。实验表明,与现有的模型相比,文本统计特征以及事件结构固有的语义信息提高了文本表示的质量,降低了模型计算复杂度,提升了文本分类的准确率。(2)研究基于双通道LDA主题模型的词义消歧方法。现有的基于LDA主题模型的词义消歧方法多将训练获取的文档主题作为消歧的主要依据,虽然利用了整个文档作为训练语料,但弱化了歧义词本身及其上下文信息对消歧结果的影响,而且存在数据稀疏的问题,可能导致得到的词义出现偏差。针对上述问题,本文提出一种基于双通道LDA主题模型的词义消歧方法,引入当前歧义词的外部知识库(即WordNet同义词集)作为LDA主题模型一个通道的输入,同时抽取多义词的紧邻实词作为LDA主题模型另一个通道的输入,充分利用外部知识,提升词义消歧的准确率。(3)分别研究基于事件Attention机制的神经机器翻译与融入词义消歧的统计机器翻译方法。针对现有的神经机器翻译方法对长句翻译相对不准确的问题,将基于事件的Attention机制应用于神经机器翻译;考虑到统计机器翻译在特定领域的效果相对较优,将基于双通道LDA主题模型的词义消歧方法融入基于短语的统计机器翻译模型中。在本章所选数据集上的实验结果显示,嵌入事件Attention机制的神经机器翻译与融入词义消歧的统计机器翻译提升了翻译的效果,表明本文改进的文本处理方法在机器翻译领域具有一定的实用价值。