作为众多自然语言处理任务的基础,词语的语义表征和学习成为了近年来的研究热点。最初的大量研究成果都是针对英语,德语等符号形语言,而中文作为象形文字具有其独特的特点。于是一些中文研究者利用中文词语中字,偏旁部首,部件构造等细粒度特征对中文语义表征算法进行了优化,使得词语的语义表征在中文自然语言处理任务中效果更好。然而,这些现有中文语义表征的算法仅仅关注于词语内部原始的特征,没有深度挖掘出词语-词语之间的语义联系以及词语内部更具针对性的细粒度特征,并且中文语料库中存在大量的错别字,但现有算法都没有考虑词语中错别字的情况,这些都极大的限制了词语的表征能力,最终影响了下游任务算法的效果。本文的主要内容以及创新点可以分为以下三个方面:第一,针对现有算法学习词语的语义表征过程中只关注在词语固定窗口里局部上下文信息,而忽略了窗口外全局上下文信息的问题。本文首次提出了语义邻居图以及软采样的概念,并基于此提出了全局邻居语义表征算法（GSN）。该算法利用全局共现信息以及相同的字符信息来构造全局的语义邻居图,对于构造好的图使用软采样来学习图中词语-词语对之间的语义关系,最终有效的提升了中文词语的语义表征能力。第二,针对现有原始细粒度特征无法有效捕捉词语语义表征的问题,本文提出了一种利用字的构造部件的n-gram信息的算法,以更好地表征词语中的字符信息。该算法通过提取字符的构造部件的n-gram信息作为字符的特征序列,同时学习词语的原始特征和新的特征序列能更有效的捕获词语的语义信息,有效的提升了词语和字符的表征能力。第三,针对当前中文语料库中存在大量错别字,而这些错别字影响最终词语表征能力的问题,本文提出了一种利用字符构造部件以及拼音字母的算法,该算法通过同时构建字符构造部件和拼音字母的n-gram信息作为字符的特征序列,在学习词语的语义表征的过程中同时学习构造部件的特征序列以及拼音字母的特征序列,尽可能的减少了错别字对词语语义表征能力的影响,使得词向量的有效性和鲁棒性都得到了极大的提升。