自然语言处理试图用计算机来处理文字背后的语义信息。然而,计算机不能像人类一样理解语言,必须将自然语言表示为计算机可以处理的数学形式,才能完成基本的语义表达。因此文本表示是自然语言处理（NLP）的重要的基础任务之一,是很多其它高级NLP任务的输入对象。这些用来表示自然语言的数学工具就是语言模型。文本嵌入（Word Embedding）是其中的一种文本表示模型,它将不同粒度的语言单位表示为一组固定长度的连续实数向量。此外人类的语言种类繁多,我们期待计算机不仅可以处理单一语言的文本,更期待它能够对两个或更多的语言的文本进行理解,找到不同语言文本在语义上的相似性。本文的课题来自于本人的实际工作需求:跨语言的相似关键词推荐、文本检索和分类。这些任务的痛点在于传统的检索技术只能根据用户查询的关键词检索包含这些关键词的文本,无法自动扩展到相关或同义的关键词,也无法处理同一事物在不同语言中的表达形式。以上这些应用场景都可以归结为一个问题,用多语言的文本表示体现语义相似性。词语间的语义相似性可以用来推荐相似关键词,段落、篇章等长文本间的语义相似性可以用来检索和分类。在这个课题上的现有研究存在一些问题,它们大多集中于双语模型的研究,对高质量的平行语料非常依赖。这些缺陷使得现有方法在实际生产中很难实用。为了满足这些应用场景和解决现有问题,本文提出了一种将具有一定平行程度的多对双语种语料统一到同一个语义空间,从而实现可比性的方法。本文实现这样的方法的大体方向是先得到若干种语言的单语言模型,再通过平行语料进行融合。在此过程中得到了一个基于伪单语料的多语种嵌入模型,和一个基于多对双语平行语料的多语种嵌入模型。并且对双语语料词典外词汇（OOV）进行了兼容。最终,本文训练得到两个多语言嵌入模型,并对其进行实验验证,最后将这一模型应用于最初提出的实际生产场景。本文实验中跨语言的词语相似性推荐可以达到63.5%以上的准确率。利用三语平行语料训练得到的模型则可以达到平均69%,最高85.7%的双语相似度推荐准确率。用本文训练的词语嵌入模型进行的专利文本多IPC标签分类测试,IPC部级的分类精确率达到78.3%,召回率63.6%,F值70.2%,IPC子类级分类精确率达65.6%,召回率29.7%和F值40.9%。用这一嵌入模型进行索引与传统的检索工具Solr进行对比,召回率不相上下,并且在样本中的化学化工这一占比较大的子领域中,本文的文本向量召回率优于Solr检索。这些数据说明了本文所用的方法是可行和有效的。在实际项目中的应用也证明了本文所述方法的可用性。