跨语言词向量表示旨在为不同语言语料库单独训练的词向量提供公共表示空间,在该空间中不同语言中语义相似的词尽可能接近。通过跨语言词向量表示,可将在资源丰富的源语言训练的模型或知识,迁移到资源匮乏的目标语言上。该问题的研究对于解决小语种因数据资源匮乏导致自然语言处理模型不好的问题具有重要的研究意义。近年来,学者们在跨语言词向量表示研究上取得了巨大的进步。但仍存在诸多不足,主要表现在形态学和词源学差异大的远距离语言对（比如,英语-奥罗莫语）的质量仍有待提高。本文重点研究远距离语言对,从降低种子字典的依赖性和提升自学习训练中预对齐种子字典质量两个方面来提高跨语言词向量表示方法在远距离语言对的质量。主要工作内容如下:（1）针对远距离语言对同构假设不成立和依赖大量种子字典数据的问题,提出一种远距离语言对的半监督跨语言词向量表示方法。首先利用自动编码器将源和目标语言词向量空间映射到不同隐变量空间中,以缓解同构假设不成立的约束。然后,利用少量的种子字典初始化对抗网络的生成器,诱导模型进行粗对齐。在对抗训练过程中,模型可利用大量未对齐的词向量扩大种子词典的数量,并优化种子字典之间的距离实现更精确的对齐。通过在10个远距离语言对和3个近距离语言对上进行实验证明本方法的有效性。（2）针对当前跨语言词向量表示自学习训练过程中产生噪音种子字典的问题,提出一种带过滤机制的自学习训练框架。本方法的关键是引入各语言自身携带且广泛存在的词释义字典。通过计算不同语言词之间的词释义字典相似度来过滤预对齐中字典非语义相关的噪音翻译对。另外,在翻译词检索过程中,提出利用词释义信息对基于词向量相似度获得的候选翻译对进行重排序。实验表明,本方法可作为一个通用的自学习框架与现有的（包括有监督,半监督,无监督）跨语言词向量表示方法结合,能够进一步提高现有方法的质量。