文本作为人们使用语言交流的重要媒介之一,在人们的历史活动中发挥了至关重要的作用。文本表示作为机器对文本理解处理的第一步,也显得越来越重要。当前语义表示方法,主要是以词语或句子为基本单位,这种处理方式与人类理解语言的方式相违背,效果一直差强人意,因此,模拟人类理解自然语言的方式,提取句子中的关键信息,构成句子的基本概念结构,并尝试使用这种概念结构来进行语义表示,是一种潜在的研究途径。在研究方法方面,现存的一些自然语言处理方式正逐渐由以前的基于规则的方式,向当前基于统计的处理方式发展,而在未来,如何利用互联网提供的海量数据,在大数据背景下使用计算机智能算法实现对文本的表示和语义的挖掘,渐渐成为人们研究的热点和方向。本文首先研究了文本处理中的一些基本步骤,介绍了一些过去的文本表示方法和语义挖掘中常用的算法模型,对一些常见的分类模型,包括朴素贝叶斯算法,支持向量机,K近邻分类算法,以及深度学习领域很热门的深度信念网络模型等,也进行了研究。之后结合文本表示中概念图的相关理论,提出面向中文领域文本表示的中文语义组块,旨在结合中文语义组块完成对文本句子概念结构的抽取。实验方面,本文通过构建以支持向量机为核心算法的半自动化语料库生成模型,构建出中文语义组块在科技评审领域的相关语料库,最后本文研究了以深度信念网络为代表的深度学习模型,结合本文构建的语料库,研究了大数据背景下深度学习算法在中文语义组块自动抽取方面的可行性,并构建相应的模型,通过比较不同算法下中文语义组块的抽取结果,验证了深度学习算法在文本抽取领域的良好效果,为自然语言处理的文本表示方面提供新的思路。