背景建模和文本建模分别是计算机视觉和自然语言处理两个人工智能领域关注的重点基础问题。这两个方向都是现今人工智能发展的前沿。背景建模旨在为视频序列生成一组稳定的背景,是前景检测、视频监控等应用的基础。传统的背景建模模型往往关注局部信息的利用,而实际上,在真实的复杂视频中,全局信息变化广泛存在,大到光照变化,小到物体阴影都随着时间发生变化。因此本文利用受限玻尔兹曼机针对全局信息进行建模,针对视频中相邻的两帧图片学习到视频的背景,并且设计了一种自适应的正则化项,能够强迫模型生成的背景保持稳定,也就使得模型能够准确找到背景信息。这是首次有科研工作将受限玻尔兹曼机应用于背景建模任务中。文本建模关注的是从文本中提取有用的信息,是自然语言处理领域的最常见的一类基础任务。本文关注的是近年来备受学术界关注的词向量模型工具包word2vec。目前,针对word2vec工具的解释尚缺严谨和充分的研究。由受限的玻尔兹曼机启发,本文设计了一种基于矩阵分解的模型——显式矩阵分解(EMF),并且从理论上证明了它与word2vec中的Skip-Gram Negative Sampling (SGNS)模型无条件等价,提出的模型相比于其他针对SGNS的解释工作有更好的解释性。此外,本文还从EMF模型的角度扩展出了一种有监督模型,能够结合单词类比数据,大大提高词向量在单词类比任务上的性能。