随着互联网和全球信息化的发展,互联网上的信息资源类型和数量日益丰富,全球各个国家之间的信息共享也日益增多。来自学术领域、商业领域或是政治领域的国际交流也逐渐频繁,所使用的语言也是越来越具有多样化和不平衡性。语言的障碍局限了人们对信息的有效获取,同时影响了多语言信息价值的充分发挥。因此针对跨语言信息的有效学习已成为一种迫切的需求。为了更有效地进行跨语言学习,跨语言文本挖掘也进入到机器学习的研究领域。针对跨语言文本数据的特点,本文将每种语言看作是一个视图,每个视图都有其各自的特征空间,但视图之间可能共享一些类标信息,即不同语言的文档可能归属于相同的类别。本文研究点在于,利用不同视图之间的关系,期望其他视图信息能帮助目标视图的学习。本文引入分层抽样方法,从不同视图中抽取特征并形成特征子集,使每个特征子集能覆盖所有视图的特征空间。集成学习是机器学习领域中一个热门研究方向,具有良好的学习效果,因此,本文在处理跨语言文本数据时,采用集成学习的方法来提高跨语言文本挖掘的效果。在集成学习思想的启发下,在每个特征子集上构造一个对应的基学习器,然后将多个基学习器集成起来获得更好的学习效果。本文提出了两种新的方法来进行跨语言文本挖掘：一是提出了基于特征分层抽样的随机森林(SS-RF)算法,用来进行跨语言文本分类学习；二是提出了基于特征分层抽样的跨语言集成聚类(SSCE-CLC)算法,用来实现跨语言文本聚类学习。最后,在实际的跨语言文本数据集上进行实验。实验结果表明,无论是在分类任务还是在聚类任务上,本文提出的方法在学习效果上均有较大的提高。