文本主题内容的提取在自然语言处理领域内是一个基础性的研究问题,它为人工智能的各种应用提供了相应基础。然而受传统挖掘技术的限制,智能化的准确提取文本内容还存在较大问题。特别是在过去的几年里,人们存储数据的能力不断提高,再加上互联网的日益普及,已经创建了大量的电子文本,这使得人工阅读甚至传统挖掘技术去适应这快速发展的信息社会已经显得不合时宜。因此研究一项能够快速且智能化提取文本内容的模型,有助于推动整个自然语言领域进行智能化转折。主题模型便是这样一项旨在通过分析文档获得连贯文档主题的智能模型。尽管统计表明,中国知网中与主题模型相关的研究以及下载和引用量与日俱增,并且其研究成果也已经衍生应用到了各个领域。但是,目前的主题模型依然存在以下困难需要克服:1.传统主题模型往往采用狄利克雷分布或者是多元高斯分布作为假设文档分布的先验条件,这一类的假设对模型性能的优化有限。2.以往的主题模型大多只考虑了词频而无法发现单词之间的语义关系或者利用基于西方语言学习的词嵌入方法来辅助主题模型在中文预料上进行建模从而导致模型性能不佳。为了解决以上弊端,本文的主要贡献如下:针对传统主题模型采用狄利克雷分布或者是多元高斯分布作为假设文档分布的先验条件问题,本研究中提出了一种基于高斯混合先验的主题模型,一种Wasserstein自动编码器[1]与高斯混合分布相结合的主题模型来解决上述问题。本文将模型名简化为GMTM（Gaussian Mixture Topic Model,GMTM）。在之后的研究中为了解决传统主题模型的另一弊端,在前面高斯混合分布为先验的基础上,本文提出了第二种模型WE-GMTM（Gaussian Mixture Topic Model With Word Embedding,WE-GMTM）。一种通过cw2vec模型学习中文词汇之间的语义,然后利用Bi-LSTM[2]进一步提取词汇上下文信息来辅助主题建模的方法。为了衡量模型是否能够很好地表示文本内容,本文的研究主要使用了两种经典的主题模型评价指标,它们是归一化逐点互信息（NPMI）以及基于滑动窗口的UCI两个指标对模型进行主题质量评估。在几个真实数据集上的实验发现,本文的模型在主题质量和性能指标方面皆能表现出更好的性能。