随着网络生活的极大丰富,互联网上充斥着海量的文本信息。如何利用人工智能的相关技术对互联网中存在的海量文本进行分析和利用已经成为人工智能领域一个重要的研究方向。由于文本可以看作是由一系列单词构成,想要利用人工智能相关技术对文本进行处理,首先需要将单词符号表示为计算机可以计算的向量表示。传统的基于神经网络的单词向量表示方法只能将每一个单词表示为一个唯一确定的向量。但是在自然语言中广泛存在着一词多义的现象,而同一个向量难以表示不同的语义含义。上下文相关的单词向量表示会随着单词所在的上下文的变化而变化,从而很好的解决了这一问题。但是现有的上下文相关单词向量表示方法都是需要预训练的,这类方法存在一些不足,比如预训练所需的数据集通常很难获得,难以处理脱敏数据等。本文提出了一种无需预训练的上下文相关单词向量表示方法,并且可以嵌入到任何端到端的网络模型中去。该方法利用多通道的时序卷积网络提取单词的上下文特征并利用高速神经网络将单词的向量表示与上下文相关特征进行特征融合,最终得到上下文相关单词向量表示。该方法即有效的避免了基于预训练的上下文相关单词向量表示的不足,同时有为单词的向量表示引入了上下文特征,使得单词在不同的上下文中具有不同的向量表示,从而很好地解决了一词多义问题。本文分别在文本分类任务以及文本意图匹配任务对下文相关单词向量表示的效果进行检验,实验证明本文提出的模型得到的上下文相关单词向量表示远好于传统的单词向量表示,可以极大的提升模型的效果。