词向量(Word Embedding)是现今单词的主流表示方法。基于映射的无监督跨语言词向量(Unsupervised Cross-lingual Emeddings)旨在不使用任何跨语言知识,将源语言和目标语言的词向量映射到同一向量空间中,使得不同语言下语义相同的词具有较高的相似度。研究该问题对于解决资源匮乏的语言的信息鸿沟问题和跨语言自然语言处理任务有着重大意义。近年来,各国学者在该方向上的研究取得了许多成果。不过现有的无监督方法存在着两个不足(1)没有处理一次多义的问题;(2)模型在实际应用场景中的鲁棒性不足,尤其是对于距离遥远的语言对。针对以上问题,本文的主要研究工作包含以下内容:1.分析了造成无监督鲁棒性不足的原因,发现无监督方法所依赖的同构性假设在实际应用场景中是不成立的。之后量化的分析了无监督方法的鲁棒性,并提出了语言词向量模型的距离度量方法。该度量方法成功地表现出了语言模型在语言学知识下的距离性质,不同语系的语言较同一语系下的语言有着更大的距离值。然后研究表明了语言距离与无监督模型的性能存在着线性关系,关系较远的语言在无监督模型的件能上有着明显的下降。2.本文提出从构建初始解和增强自学习过程两个方面对现有模型的改进方法。其中增强自学习的方法可以在无需构建初始种子词典的情况下得到较现有方法有可比性的结果。在此基础上,本文进一步确认了模型优化的实现细节。在评估实验中,优化模型的性能有着显著的提升,尤其是在距离遥远的语言对上,改进后的模型在鲁棒性上有着较大的提升。