人工智能主要包含运算智能、感知智能、认知智能三个不同的层次,目前来说认知智能的实现已经是学术界和工业界研究的热门方向。由于文本编码的结果可以应用于文本分类、情感分析、句法分析、自动问答等多种自然语言处理任务,实现语义认知智能的文本编码器即成为了现有的研究热点。本文首先结合了国内外研究现状,总结了实现一个语义认知编码器所存在的两大难点——多义不确定性和任务不确定性。近几年,深度学习已经成为文本编码器的主流方法,但是无论是现有的卷积神经网络还是循环神经网络,都无法很好的处理多义不确定性和任务不确定性的问题。从2018年6月开始,Google开发的预训练网络BERT出现,2019年又提出了 XLNet和T5等模型,可以较好的解决任务不确定问题,但是这类预训练模型其参数量也显著高于其他对比模型,因此需要大量的预训练数据集,无法在实时系统(如在线参数学习系统)上应用。针对目前现有文本编码器的缺点,本文提出了两种具有创新性和实用性的文本编码器,分别是基于多原型的语义认知编码器和基于预训练的语义认知编码器。前者具有较小的参数量和训练代价,并且经过实验验证可知其效果优于同等参数量级的深度学习网络。后者依托于BERT模型,在BERT基础上进一步提高了其在各个数据集上的性能表现,并且在对参数量不设限的情况下,后者的编码效果会比前者更好。两种编码器的结构都可以通过有效的编码方式处理多义不确定性和任务不确定性两个主要难题。其中,二者都引入了在自然语言处理任务中极少出现的反卷积神经网络作为文本编码器的一部分,可以有效的处理多义不确定性的问题。同时,基于多原型的语义认知编码器通过端到端训练的网络结构,有效的处理了任务不确定性的难题。另外,为了分析两种编码器具体能否处理多义不确定性和任务不确定性两个难题,本文还引入文本反卷积显著性检验和奇异值分解两种方式,对两种编码器的编码结果进行可视化,深度验证了两种编码器的语义认知能力。本文选取了三种数据集,分别是自然语言理解数据集GLUE(共9项任务),文本分类公开数据集(共3项任务)和SQuAD数据集,对两种不同的编码器进行了多角度的实验验证,两种语义认知的编码器在各个数据集上的表现均超过了基准编码器,从应用角度验证了语义认知编码器的实用性和有效性。