无监督双语词典抽取(Unsupervised Bilingual Lexicon Induction)旨在不借助任何跨语言知识的条件下从两种语言的单语语料中获取双语翻译词典。成功的解决这个问题将会为资源匮乏的语言和很多跨语言自然语言处理任务带来巨大的收益。近年来,人们在无监督双语词典抽取上的研究取得了巨大的进步,并已成功将获取到的无监督双语词典应用到许多下游任务中。然而现有的方法并不是完美的,存在如下两个不足:(1)现有模型在理论上不是最优的,其性能也不够理想;(2)在真实的场景下鲁棒性不足,尤其是差异较大的语言对中准确率较低。为了解决以上问题,本文主要进行了以下两方面的工作,用来获取更高质量的无监督双语词典。第一,本文提出了一种基于共享语义空间的无监督双语词典抽取模型。相比于现有的方法,本模型不是学习一个从源语言词向量空间到目标语言词向量空间的单向线性变换,而是为源语言和目标语言学习一个共享的语义空间,再利用这个空间进行无监督双语词典抽取。理论上来说,基于共享语义空间的模型相比于现有模型表达能力更强。因此在这个空间中,两个语言的词向量可以更好的匹配,从而更有利于双语词典抽取。通过在8个语言对上进行广泛实验,本文证明基于共享语义空间的方法明显优于现有的对抗方法,甚至可以在多个语言对上达到当下最优的准确率。第二,本文在所提的基于共享语义空间模型的基础上,针对影响无监督双语词典抽取性能的其他因素进行了系统的考察。现有的工作尽管对这些因素有所提及,但缺乏系统的研究。通过对这些因素进行实验与分析,本文进一步优化了基于共享语义空间的双语词典抽取方案,使其无论是在准确率还是在鲁棒性上都得到了较大的提升。