一种基于狄式过程的卡尔曼滤波词向量学习方法，所述方法包括：对语料进行训练和预处理，生成LDS语言模型系统，对系统参数进行初始化，假设过程噪声满足正态分布，定义聚类θt＝(μt,∑t)，μt为语料库中词t出现的频率，计算θt的狄利克雷先验分布，通过卡尔曼滤波推导和Gibbs抽样估计计算后验分布，利用MCMC抽样算法抽取备选聚类，计算备选聚类的选择概率，并选择所述概率值最高的备选聚类作为θt，计算所述聚类的最小均方误差估计值，将计算结果代入LDS语言模型，通过EM算法训练模型，使模型参数达到稳定，将预处理好的语料输入训练好的LDS语言模型，通过卡尔曼滤波器一步更新公式进行计算隐含向量表示。