随着信息技术的迅猛发展,各领域数据已变得极为丰富。高效集成各种来源的数据是人们有效利用多源数据的重要前提。然而,当前异构数据集成领域的研究方法通常存在以下局限:（1）现有的实体识别方法直接使用自然语言处理方法而忽视实体识别任务本身的独特需求,这可能造成语言模型注意力的分散;（2）现有的实体类型检测、实体发现方法无法有效集成额外文本数据,且大多将上述两个任务分开处理;（3）许多现有的异构数据集成系统通常先将异构数据转换为同一类型的数据,而没有直接集成异构数据。综上所述,现有的集成手段无法很好地应对异构数据集成任务。为解决异构数据集成中存在的上述问题,本文主要面向实体识别、实体类型检测和实体发现这三个任务,研究如何基于表示学习自动高效地提取异构数据的特征表达。本文的主要工作与贡献如下:首先,针对实体识别中注意力分散的问题,本文提出了一种基于预训练语言模型（Pre-trained Language Model）的实体识别方法Joint Matcher,该方法设计了一个基于卷积神经网络的相关片段感知编码器和一个基于带权编辑距离的数字片段感知编码器。大量实验结果表明,本方法在大部分数据集上都取得了优秀的结果,尤其是在小数据集上,能在不引入任何领域先验知识的情况下表现优于当前最新实体识别方法DITTO和Joint BERT。其次,针对实体类型检测和实体发现中无法集成额外文本的问题,本文提出一种基于图卷积神经网络的实体类型检测与实体发现方法Joint GCN。该方法通过预训练语言模型提取上下文语义特征,结合外部知识和异构数据搭建一个训练图。此外,考虑到真实数据集由于数据缺失只能进行实体类型检测任务的情况下,本文还提出了一种基于卷积神经网络的实体类型检测方法CNN-Text。将本文的两种方法与Col Net进行对比实验,验证了本文方法均能取得更优秀的表现。最后,针对结构化、半结构化和文本数据同时处理的异构数据集成问题,本文搭建了一个异构数据集成的原型系统。该系统通过一个统一的数据处理模块来预处理原始数据,根据不同的调用参数,综合本文提出的异构数据集成方法来完成数据集成任务。