文本分类是自然语言处理中较为基础常见的任务,但由于词向量空间的单一性,使得分类系统不能在不同语言上通用。若分别对每种语言单独训练分类模型,则会导致大量的成本和时间问题;并且分类模型作为监督学习方法,需要大量的训练样本训练模型,而由于不同语言的资源分布不均,使得资源较少的语言无法构建单语言分类模型;另外,主流跨语言词嵌入模型需要依赖成本昂贵的平行语料库,在不同语种间拓展性差。因此,针对以上问题,本文对于分类系统,跨语言词嵌入等进行了深入的研究,提出引入注意力机制的单语言神经网络分类方法,与两种不基于平行语料库的跨语言文本分类方法,如下:(1)针对单语言分类,本文提出双向的GRU神经网络模型,并将注意力机制引入到分类模型中。通过与传统机器学习方法,以及注意力机制的对比实验,双向GRU模型以及注意力机制均对于分类模型有着不同程度的提升,由此,将该模型作为跨语言分类模型的基础。(2)针对不基于平行语料库的跨语言分类,本文提出仅使用单语言文本语料来构建双语词嵌入模型,而抛弃对平行语料库的依赖。在目前对抗学习的研究基础上,引入普鲁克分析方法和跨域相似度局部缩放的方法,来对对抗学习得到的结果进行微调矫正,从而使双语词向量空间中双语的向量表示尽可能重合;其次,本文将普鲁克分析方法和跨域相似度局部缩放的方法用于自学习训练过程中,来不断调整映射矩阵,最终达到收敛完成训练。并通过实验与主流基于平行语料库的联合优化方法BilBOWA、使用Google翻译样本进行对比。对比实验结果显示,正交约束和跨域相似度局部缩放的方法均提升了分类模型的效果,并且二者叠加的效果最优。基于自学习训练跨语言词向量的方法效果与使用平行语料库的联合优化方法BilBOWA方法不相上下。