藏文是我国的少数民族文字之一,在信息化时代,为了更好地理解少数民族语言,从而了解少数民族文化,促进以语言为基础的人工智能的发展,研究藏文自然语言处理是十分有必要的。词向量表示是各项自然语言处理任务的基础,好的词向量表示能够提高自然语言处理任务的效果。如今,中英文词向量的研究较为成熟并且开源的数据集较多;而对藏文词向量表示的研究还在起步阶段,并且也几乎没有开源的数据集。所以为了更好地让计算机理解藏文,将人工智能应用在少数民族语言,本文对基于藏文的词向量表示及其评估进行研究。首先,本文在基于Word2Vec模型的多基元联合训练藏文词向量的模型TC-CWE的基础上,结合藏文中词、字、构件组成的特点,提出了融合相对位置信息的TCCWE-P模型,进一步预训练的TCCWE-R模型,以及将TCCWE-P模型和TCCWE-R模型结合的TCCWE-PR模型;并且本文提出的模型与改进前的基础模型相比有不同程度的提升。其次,本文进一步提出了基于Doc2Vec模型上的TCCWE、TCCWE-R模型、TCCWE-P模型以及TCCWE-PR模型,并取得了更优的效果,实验表明添加了共享句向量的Doc2Vec模型更适合作为基础模型训练藏文词向量表示。再次,为了比较各词向量表示模型的语义表达能力,借助评测集对词向量表示模型进行内部评估。由于没有开源的藏文词向量评测集,本文还提出了人工构建藏文相似性评测集的方案,并使用构建后的藏文词向量评测集对训练的藏文词向量效果进行内部评估。评估结果表明基于CBOW模型的TCCWE-P-item模型的语义表达能力优于CBOW模型及基于CBOW模型的其他模型,基于Doc2Vec模型的TCCWE模型语义表达能力最佳。最后,为了更全面的比较各词向量表示的效果,通过具体的下游任务,对训练的词向量模型进行外部评估。本文比较了将训练词向量的语料与文本分类语料混合前后以及不同特征下文本分类效果,结果显示语料混合后、词向量作为文本特征以及TextRCNN模型进行文本分类任务训练时的效果最佳;本文选取效果最好的TextRCNN模型对不同改进下的藏文词向量模型进行了外部评估,结果表明基于Doc2Vec模型中的PV-DM模型训练的TCCWE模型下的文本分类精度最高,TCCWE-PR-char模型精度提升得最多。