数学公式检索是信息检索领域一个重要的研究方向。它的检索对象包含数学公式这种具有复杂的二维结构特征的数据。传统的文本检索方法难以捕捉公式的结构信息,导致检索准确率低,检索效率不高,不能满足各个专业领域对于公式检索的需求。因此,如何实现对数学公式这种特殊的结构化数据进行特征捕捉,并应用到内容检索系统中是一个亟待解决的难题。本文通过结合自然语言处理中的词嵌入技术,设计了针对数学公式的嵌入学习方法,并构建了纯公式检索模型和公式结合文本的混合检索模型。本文的主要工作如下:（1）针对数学公式的结构特性,本文提出了一种基于树结构的公式嵌入模型NTFEM。首先,提取文档中Math ML格式的公式并转换为N-ary公式树结构,捕获公式的二维结构信息;然后,定义了公式序列的分词方式,将公式从二维结构延展成新的一维线性序列,并结合深度学习中的词嵌入模型来学习公式的子结构向量;最后,通过对公式树各个节点的重要性分析,设计了针对数学公式子结构的加权算法,并定义了公式的相似度匹配机制。通过在NTCIR-12 Wikipedia公式检索任务的基准测试,纯公式检索模型NTFEM在Bpref等预测指标上胜过此任务下的传统公式搜索引擎。该模型不仅提升了公式检索的准确率,在训练时间和存储效率上也超过了应用传统公式树结构的检索模型。（2）在NTFEM的基础上,本文通过引入公式周围的文本信息,提出了NTFEMT和NTFEM-K两种混合检索模型,前者是长文本结合公式的检索场景,后者是关键词结合公式的检索场景。NTFEM-T对长文本格式进行预处理,分别提取公式和文本信息,通过文本向量模型学习公式周围文本的特征;NTFEM-K通过关键词抽取和学习技术获取周围文本的关键词特征。同时,两种模型都通过NTFEM对提取得到的公式进行嵌入学习,最后结合文本特征和公式特征完成对混合检索模型的搭建。NTFEM-T和NTFEM-K在Ar Xiv Topic-eq数据集上取得了相比纯公式检索场景下更好的效果,证明了融合公式周围文本信息的方法能够有效地补充公式结构所缺少的语义特征,进一步提升了检索模型的性能,满足更多样的检索需求。本文提出的数学公式检索模型,有效地将自然语言处理中的词嵌入技术应用到数学公式这种特殊的二维结构信息上。实验结果表明该模型在公式检索任务上取得了相比传统公式检索系统更好的检索效果,并通过结合公式周围的文本信息补充了纯公式缺少的语义特征,进一步提升了公式检索的准确性和效率。