自然语言处理研究是人工智能领域的核心难题,解决该问题的关键是如何让机器正确解析自然语言的语义,并获得某种形式的语义表示。由于自然语言中的句子是承载语义信息的主要单位,因此,准确解析句子语义是实现自然语言语义理解任务的关键。鉴于分布式词嵌入表示已经在机器翻译、自动摘要等自然语言处理任务上取得了成功的应用,人们很自然地想到能否将分布式表示扩展到句子、段落或篇章等长文本,即将句子、段落或篇章的语义表示映射至低维的连续空间。由于句子是组成段落和篇章的重要语言单位,它是由词语根据句法结构耦合得到,而现有的句子语义嵌入表示方法主要是基于句子中的词嵌入表示进行加权或求和平均,忽略了词序和句法结构信息,因此学习到的句子嵌入表示并不准确。本文主要针对当前句子嵌入表示学习中因为缺乏句法结构信息、以及句子长度过长导致的长距离依赖,致使句子嵌入表示不准确的问题,提出两种方法。第一种方法是基于句法结构化特征的句子嵌入表示学习方法,为了减少参数训练耗费的时间以及句子中非重要信息对于句子语义的影响,在构建句法结构树时,对于一些复杂的句法结构树进行相应的剪枝操作,并且将句法信息转化为权重计算。另一种方法是将词向量同句法信息(词性、短语、从句标签)进行权重融合,突出词语在不同句子结构中表达的语义信息,并将融合后的向量通过孪生LSTM网络进行编码,以学习得到句子的嵌入表示。通过与现有的有监督和无监督学习算法对比,本文提出的方法得到的句子嵌入表示,在句子相似度计算任务上的表现,好于现有的其它方法。