文本特征提取是自然语言处理的重要研究课题之一,有效的特征表示不仅能节约人力资源,还能极大地提升后续任务的性能。朝鲜语语料库的人工标注工作过于费时费力,并且朝鲜语信息化和智能化处理的相关研究比较匮乏,因此朝鲜语文本特征学习任务具有重要的学术意义和应用价值。本学位论文采用深度强化学习与自注意力机制结合的策略,针对朝鲜语语料的独有特点,从表征学习的角度,提出两种朝鲜语句子特征学习模型并构建特征表示,用来提升后续自然语言处理任务的效果。首先,收集了13个不同标签的朝鲜语科技文献摘要语料3万余篇,构建了以句子为单位的原始文本数据集。其数据特点是专业名词居多且标签类别难以区分。清洗原始数据后,依次进行粒度切分实验与词向量训练实验,其中粒度切分实验可以增强文本信息的直观性,同时规避黏着语语种的分词误差。词向量训练实验可以结合不同语义语境将原始文本向量化。经过筛选与分析后,将处理后的数据作为模型输入。其次,提出两种朝鲜语句子特征表示模型:信息蒸馏注意力模型（Information Distilled Attention,ID-Attention）和层次结构注意力模型（Hierarchically Structured Attention,HS-Attention）。ID-Attention模型能够学习到是否保留句子中的单词,从而使策略网络可以得到更充分的训练,有效避免因使用分词工具或进行去停用词操作而导致的误差;HS-Attention模型能够学习到朝鲜语句子的内部结构并对其进行调整,从而抽取出带有关联特性的文本向量表示。两种模型均采用强化学习的方法更新句子的特征表示,在文本分类实验中得到更高的分类准确率。最后,两种模型将各自分类网络得到的分类准确率回馈到策略网络中联合训练,得以训练出更好的动作选择序列,即ID-Attention模型能够识别出朝鲜语句子中重要的词语,去除弱相关词语;HS-Attention模型能够划分出句子的层次结构,使得句子的特征更为明显。本课题将文本的特征学习任务转化为序列决策任务,从而使模型可以在没有显式结构标注的朝鲜语文本数据中,达到识别单词以及划分结构的作用,极大地降低朝鲜语文本特征学习对人工标注的依赖。从间接的评价指标来看,模型的分类效果与基于统计的分类模型、基于序列结构的分类模型、基于注意力的分类模型及基于强化学习的分类模型相比,效果均有提升。其中与基于强化学习的HS-LSTM模型比较,分类准确率提升1.46%;与基于注意力的模型Self-attention比较,分类准确率提升2.2%。与此同时,从直接的评价指标来看,模型得到的朝鲜语句子特征表示得到了良好的专家评分。实验结果表明,本学位论文提出的两种模型可以识别出接近人工标注的朝鲜语重要文本特征,对朝鲜语信息化与智能化有良好的辅助作用。