随着日常生活中电子设备和社交媒体的广泛应用,新闻、商品评论等文本类型的数据大量增长,快速提取和分析文本信息的需求显著上升。主题分析可以帮助我们快速确定想要了解内容,自然语言处理中的主题模型能从大量的文档中提取出有意义的词语、能够有效的将多个文档表示为主题,因此研究主题模型是十分必要和有意义的。主题模型是自然语言处理任务中一种典型的无监督任务,缺乏有标注的监督数据。在单语言的情境下,其他任务上表现良好的预训练-微调范式尚未被使用,基于此本文介绍了融入了主题标签分类和预训练微调的单语言主题模型。现有跨语言主题模型研究较少,跨语言的主题对齐问题亟需解决,同时现有的跨语言主题模型在近似Dirichlet先验分布时可能会出现后验坍塌的问题。根据上述现有研究的不足,本文主要从以下方面进行研究:在单语言情境下,本文提出了一种融合了文本分类微调任务的单语言主题模型（主题文档分类主题模型,TDCTM）。该模型包括预训练微调嵌入模块、神经主题模块和主题标签分类模块。本文在20News Groups、BBC News、DBLP和M10这四个数据集上对现有的单语言主题模型实验效果进行对比研究,表明本文提出的TDCTM模型在效果上优于ETM、Prod LDA、CTM等模型。本文经过扩展实验发现Prod LDA神经主题模型在新闻数据集上主题一致性和多样性都比传统的概率主题模型LDA效果好;通过对实验的主题数量、隐藏层维度、学习率和随机失活的神经元比例进行调整,表明模型具有较高的稳健性。在跨语言的情境下,本文提出了一种新的跨语言主题对齐模型（Wasserstein-跨语言神经主题模型,W-NCTM）,该模型采用了Wasserstein自编码器来解决跨语言主题模型中可能产生的后验坍塌问题。本文采用了Amazon Review和EC News两个数据集进行实证研究。利用消融实验探究本文的分布匹配模块的效果,去除分布匹配中的MMD损失,仅在目标函数中保留重构损失。之后通过扩展实验验证本模型在训练过程中需要确定的四个参数值:主题数目、隐藏层维度、学习率、随机失活比例。实验结果可以表明,本文提出的融合Wasserstein自编码器的跨语言主题对齐模型得到的中英文主题有着较高的一致性和多样性,同时能够得到对齐的中英文主题。综上所述,本文在单语言和跨语言两个情境上对主题模型进行改进,在单语言中提出的主题文档分类主题模型（TDCTM）与其他基线模型相比能在不同数据集上达到最好的效果;本文提出的Wasserstein-跨语言神经主题模型（W-NCTM）能在跨语言情境下提取出主题一致性和多样性都较高的对齐的主题。本文提出的两个模型能够在不同情境下有较好的效果,有一定的现实意义也为后续主题相关的研究提供一定的基础。