随着互联网与信息科技的快速发展,网民基数变得越来越庞大,互联网普及率急剧增长的同时使得基础服务同步扩张。随着越来越多的服务被注册到互联网中,用户面对大量功能相似类型相近的Web服务陷入了选择困境。与此同时,质量层次不齐的服务涌入互联网中造成了服务过载和混乱无序的状态。用户一时难以找出符合自身偏好的Web服务,并且对于服务提供商来说也是一种资源浪费。Web服务发现方法的出现极大地缓解了此类问题。现有的服务发现方法大致可以分为语法发现和语义发现两大类。语法发现方法主要关注语法关键字匹配,但存在关键字多义问题和关键字提供不足等问题,从而降低了服务发现的准确性。语义发现方法则试图通过结合本体的力量来克服这些问题,即通过本体提供语义以获得正式的服务描述。然而,随着Web服务数量的不断增长,相同功能的Web服务也变得越来越多,这使得结合本体匹配的语义发现方法在捕获准确的用户功能需求上也变得极其困难,造成服务发现的准确率降低。为了提高服务发现的准确性,研究人员将文本匹配用于服务发现。本文对现有基于本匹配的服务发现方法进行了大量研究,发现在现有基于文本匹配的深度学习方法中,对于特征提取过程,大多数方法都是基于词频等单一维度开发的,这些方法不足以准确捕获代表服务的综合特征。并且,将服务匹配转换为文本匹配所采用的神经网络模型,只是将文本表示作为输入,提供了的词汇交互信息过少。针对上述文本匹配中存在的问题,本文提出了一种基于多维表示神经网络的服务发现方法。主要研究内容如下:（1）针对现有文本匹配中特征提取不足的缺陷,本文开发了一种基于多维表示神经网络的服务发现方法。首先,在数据处理时从多个维度进行特征提取,以弥补单一维度特征捕获不足的缺陷,对于每个关键词生成了相应的TF-IDF、Word2Vec和ELMo表示来捕获词频、静态上下文特征和动态上下文特征。此外,基于查询和Web服务之间的词对计算余弦相似度并构造了多维相似度矩阵,多维矩阵被用作CNN的输入。最后,为了对所提出的方法进行验证,本文从准确性指标和误差指标两个角度设计了三组对比实验,每组实验中本文方法的准确性都高于其他方法,且误差率都较其他方法低,整体实验结果证明本文所提出的方法在服务发现性能和精度上都较有优势。（2）为了弥补特殊场景下无法使用文本匹配的缺陷,本文借鉴了面向服务过程的思想,将服务过程映射成服务过程模型图。借助图论的方法将服务过程模型图分解为行为路径子图,再利用核函数计算子图的相似度,从而将服务的匹配问题转化为行为路径子图的相似性问题进行求解。经过对比实验后证明本文所采用的方法查全率和查准率分别达到了 92.1%和90.5%,高于对比基线VFGCN方法和聚类二分图法。（3）最后本文在第三章和第四章所提出的模型方法基础上设计并实现了一个基于B/S架构的服务发布与发现原型系统。系统使用Java语言来编写,以SpringBoot作为后端框架,前端框架采用LayUI,数据层使用MySql数据库进行持久化,同时采用Redis完成热点数据的缓存,最后使用Nginx的反向代理完成前后端的分离部署。