文本表示作为文本挖掘的前提将直接影响分类、聚类、检索和自动摘要等文本挖掘的结果和效率。目前文本表示主要存在的问题包括“维数灾难”、“稀疏性”和“语义丢失”等,其中文本的语义表示是目前学术界公认的研究难点。针对文本语义表示困难问题,融合有监督学习、迁移学习、主题模型和词嵌入等方法,展开深入研究,重点包括以下内容:（1）提出了融合有监督主题模型（SLDA）的语义词嵌入表示方法wt2svec模型。该方法利用SLDA有监督主题模型获取单词的全局语义词向量wiz,利用Word2vec获取单词的上下文词向量wic,二者共同构成语义嵌入词向量wis。（2）提出了融合迁移主题模型（Tr-SLDA）的语义词嵌入表示方法Tr-wt2svec模型。该方法利用Tr-SLDA迁移主题模型,依据不同领域的类别进行隐含主题采用,由于能够识别交叉领域共享主题的隐含语义。因此基于目标领域类别与潜在共享主题分布,作为全局语义信息,嵌入生成全局语义词向量,结合Word2vec生成的局部语义词向量,生成Tr-wt2svec词向量。（3）在上述方法的基础上,提出了文档语义向量表示doc2svec和Tr-doc2svec。利用wt2svec模型生成所有词的wt2svec词向量,文档向量由所有词的词向量构成。利用Tr-wt2svec模型训练生成所有词的词向量Tr-wt2svec,然后构成文档语义向量Tr-doc2svec。基于doc2svec文本语义表示,能够提高有监督文本分类的性能,基于Tr-doc2svec文本语义表示方法能够提高交叉领域的文本分类性能。（4）使用Python语言实现一个验证平台,对上述方法在多种数据集上进行了实验验证。从单词的语义相似度和文本分类结果两方面进行实验比较,大量的对比实验结果表明所提出的wt2svec语义嵌入模型、Tr-wt2svec语义嵌入模型,以及基于这两种模型的文本语义表示方法的有效性。