文本表示在文本分类、信息检索等自然语言处理应用中具有基础性的重要作用,尤其在当前网络文本规模指数增长的时代,获得有效的低维度文本表示成为许多应用技术可实用的关键。因此,文本表示技术得到了广泛的研究。近年来,随着深度神经网络技术的发展,出现了在连续空间上的词汇表示,这种表示具有压缩程度高、维度低等优势,因而也引发了研究人员将其推广到句子、文本等更大语言单元的尝试。不过,目前的相关研究还处于起步阶段,针对此问题的研究尤其是国内对此问题的研究还很少,本文在综述相关研究的基础上,主要开展了如下工作。首先,实现了两种具有互补性的基于神经网络的文本连续空间表示方法,其一是基于上下文预测当前词的表示学习方法,其二是基于当前词预测上下文的方法,分析了各自的优势。并在情感极性分析和相似文本检索两个任务上进行了初步的实验应用,在情感极性分析任务中取得了较好的效果,在相似文本检索任务中的结果还有待提高。其次,提出将文本连续空间表示用于文本分类任务中,并在多个文本分类数据集上进行了实验分析,验证了其有效性。分析了文本连续空间表示学习时的向量维度、上下文窗口、学习速率、词向量是否进行预训练等多种因素对分类性能的影响。结果表明,文本连续空间表示在低维度下能取得较传统文本表示方法更好的性能。最后,基于上述分析中所获得的文本分类算法和参数实现了一个文本分类演示系统。系统可以积累用户数据,并随数据的增加提升分类的性能。