跨语言词语表示方法能够把两种或多种人类语言的词语表示在一个共同的空间中,为各种语义计算和知识迁移提供基础支撑。大多跨语言词语表示方法,都需要某种形式的监督知识来训练模型。然而,资源的匮乏,已经成为制约各种跨语言任务的瓶颈问题。无监督方法不需要任何的平行语料或双语词典,仅仅依赖各种语言的单语语料库,就能够自动学习得到跨语言词语表示和翻译词典。因而具有非常重要的研究意义。然而现有的方法存在一个很大的问题:要求在单语语料上分别训练的词向量满足同构性假设。本文提出基于反馈机制的跨语言词向量共训练方法,旨在使得词向量天然具有跨语言性质。本文首先从各个角度对基线模型进行了改进,包括词向量的初始化、初始词典的性能、映射方式和距离度量方式等方面的研究。最终确定了使用迭代初始化的方式以及跨领域相似度本地缩放等技术可以提高抽取词典的准确率。之后,给出了获取训练词典的标准。分别研究了词条选词的标准和候选词表大小的设置两个问题,最终得到训练词典。发现了基于确信度抽取词典的方式更加有效。利用训练词典,分别使用加入正则项约束的方法和基于替换的方法进行词向量的共训练。这两种方法基于不同的思路,但目标都希望词典中互为翻译的词对经过训练之后的词向量在空间中彼此接近。同时两种方法得结果都说明了想要得到具有跨语言性质的词向量,需要词向量的各个信息都在空间中彼此接近,例如参数矩阵,而不仅仅是训练最终得到的词向量。最终通过实验,可以看到两种方法抽取词典的准确率都高于基线模型。说明本文提出的反馈机制是有效的。