随着深度学习的兴起,自然语言处理在中文领域快速发展,其中文本表征是不可或缺的基础编码层。成语在书面和口语中使用频繁,在中文表意中有着非常重要的作用,地位不可替代。因此,高效的成语表征对中文自然语言处理的进一步发展至关重要。成语是中文独特的语言现象,它固定的四字结构,形式简洁,内容丰富,带来了两大特性:非语义合成性和意义整体性,即:它的意义不能简单通过字的含义相加,而是一个整体。这两个特点导致目前主流的词级别和字级别中文文本表征方法不适合直接应用于中文成语。为了有效对成语进行表征,本文提出基于释义增强的中文成语多粒度表征模型,并基于完形填空式的中文阅读理解任务验证表征效果,最后将其应用于高考语文成语试题中,获得了较好的效果。本文贡献如下:（1）本文提出了两种表征模型。1)字词融合的上下文表征模型。为了实现字词表征的完美融合,本文设计了两种字词向量对齐方法,解决字词向量对齐问题;提出了三种融合方式,对字词之间的交互方式进行建模。2)基于释义增强的成语表征模型。为了完成对释义中不同成分的有效筛选,本文设计了独特的注意力机制,解决了词向量无法对成语进行有效表征、成语字信息会对词信息造成混淆的两个问题。在真实中文机器阅读理解任务上的实验表明:本文模型能够改进目前主流的BiLSTM、AR和SAR阅读理解模型的性能,最高能够提升9.5%,证明了该方法的有效性和通用性。（2）本文通过具体案例的量化分析,发现上述模型获得的相似成语的表征之间的欧式距离更大,余弦相似度更小,证明了本文提出的成语表征模型具有比基线模型更强的相似成语辨别能力,是一个通用的表征模型,具有广泛的应用价值。（3）通过收集数据,本文建立了一个高考语文试卷中与成语相关的试题数据集,将上述模型应用于高考语文成语试题的解题任务中。实验结果表明:本文提出的模型能够很好地解决高考成语试题的解题工作,在测试集中准确率达到75.9%,远高于考生平均水平66.7%。图10幅,表19个,参考文献53篇。