中文成语多从中国古代寓言、历史故事、神话传说或者口语流传而形成,由于其表达形象且精炼的优点而常被人们应用于日常语言表达中。一般来说,成语通常由四个文字按照中国古汉语的语法组合而成。因此,短短四字成语所蕴含的语义往往比数十或数百个字的段落句子更加丰富,其表达的语义不能直接运用现代汉语来解释。目前自然语言处理领域对于中文成语的研究还处于初步阶段,主要有成语机器阅读理解和成语推荐等研究。而对于中文成语语义理解这一方面的研究,因缺乏大规模高质量的中文成语语义语料库而发展较为缓慢。以现代汉语与成语组合的句子为研究对象,针对于机器如何分析句子中成语与现代汉语结合的语义与句法信息以及机器如何表征与学习成语等问题,本文将从中文成语的表征学习和语义理解研究两方面进行深入探讨。本文的主要贡献如下:（1）构建了一个大规模、高质量的中文成语语义语料库CHISC,并给出语料库构建方法与过程;（2）提出了四种训练策略进行中文成语的表征学习,并在构建好的语料库CHISC上进行实验和语义效果评估。从多种相似距离和两种相关系数进行评估四种训练策略的优劣,验证了四种成语表征学习训练策略的可行性;（3）为了获取中文成语的深层语义信息,本文提出两种基于深度学习技术的中文成语推荐模型,分别是基于字词交互的中文成语推荐模型IdmRep-CW和基于深度成语表示的中文成语推荐模型Deep-IdmRep。在IdmRep-CW中,通过字词交互模块融合字符级别的成语嵌入和词语级别的成语嵌入来获取成语内部结构的语法信息。在Deep-IdmRep模型中,通过成语与段落的共现概念进行上下文联合交互,将段落的语义信息融合到成语的表层语义信息当中,以此来获取成语的深度语义表示。此外,Deep-IdmRep还结合了利用随机噪声抽取负样本成语来扩充成语候选项的动态扩增策略,以此来提高模型的性能和泛化能力。为了证明所提出的成语推荐模型对成语语义理解的有效性,本文在大规模汉语成语数据集ChID上进行了多组实验。结果表明,与纯成语匹配的模型比较,本文提出的成语推荐模型能够获得更好的表现性能。我们的方法相对于使用BiLSTM的LM模型、AR模型、SAR模型,在验证集和标准测试集上实现了接近5%的改进。并且比较了候选项静态扩增策略和动态扩增策略的表现性能,实验结果表明了动态扩增策略以极小的计算代价可以获得与静态扩增策略相竞争的性能。同时也通过消融实验和可视化分析验证了成语推荐模型中每个组件的有效性和重要性。