隐喻在日常生活中随处可见,认知语言学研究表明隐喻还是一种重要的认知方式。随着人工智能话题的不断升温,自然语言处理研究也成为学术界和工业界共同关注的热点领域。而隐喻的计算化研究正逐步吸引自然语言处理领域学者们的关注,它也是自然语言处理研究中不可回避的重要问题。近些年来,深度学习方法发展迅速,深度神经网络在特征学习上具有明显优势,鉴于此,本文主要是基于深度学习的方法对隐喻识别和理解问题进行研究。首先,在隐喻识别方面,引入一种卷积神经网络和SVM分类器结合的隐喻识别方法。该方法主要针对中文的名词隐喻,通过卷积神经网络提取文本的特征,应用SVM分类器进行分类。为了解决一词多义的问题,提出将词向量和词性特征作为神经网络的输入,并针对卷积神经网络的池化层中特征采样的不完全性,提出了将Max-pooling与Mean-pooling组合在一起的改进,提高了特征提取的准确性,进一步提升隐喻识别的准确性。实验结果表明,卷积神经网络与SVM分类器对隐喻的识别准确率高于直接使用卷积神经网络的结果。并且,在英文数据集上对隐喻识别进行实验,进一步证明该方法在隐喻识别任务上的有效性。进一步地,鉴于直接使用卷积神经网络提取特征,不能捕获长距离的依赖和语义特征,影响了特征提取的准确性。针对此问题,本文提出了一种基于Transformer框架的隐喻识别方法,同时提高了系统的并行性,加快了训练的时间。本方法通过Transformer框架编码器中的Attention计算得到特征,并应用于全连接层进行分类识别。通过将句子的向量矩阵结合位置特征作为网络结构的输入序列,可以得到句子中长距离的特征,并且,Transformer框架中前向网络使用了卷积神经网络,使提取的特征更加准确。实验表明,该方法得到了较好的效果,并且优于基于卷积神经网络与SVM分类器的隐喻识别算法。最后是对隐喻理解方面的尝试,构建了基于Seq2seq框架的隐喻理解方法,首先构建隐喻理解语料库,主要由隐喻句子和隐喻理解句子组成。然后通过编码器-解码器的框架进行隐喻理解。在模型中,选择了效果最佳的双向LSTM网络结构,并引入注意力机制的方法,证明了隐喻理解模型的有效性。