近年来，神经主题模型在自动文本主题提取任务中受到广泛关注，因其无需像传统主题模型（如潜在狄利克雷分配，LDA）那样进行复杂的数学推导即可实现模型推断。然而，现有方法通常对潜在主题空间假设不合理的先验分布（如高斯分布或逻辑正态分布），或无法为给定文档推断出相应的主题分布。为解决上述局限性，本文提出一种新型神经主题建模方法——双向对抗主题模型（Bidirectional Adversarial Topic, BAT），该模型首次将双向对抗训练机制应用于神经主题建模。所提出的BAT模型在文档-主题分布与文档-词分布之间建立了双向映射关系，利用生成器捕捉文本中的语义模式，同时通过编码器实现主题推断。为进一步融合词项之间的相关性信息，本文进一步扩展出基于高斯先验的双向对抗主题模型（Gaussian-BAT）。为验证BAT与Gaussian-BAT的有效性，我们在三个标准语料库上进行了实验。实验结果表明，BAT与Gaussian-BAT能够生成更具语义连贯性的主题，显著优于多个具有竞争力的基线模型。此外，在基于提取主题进行文本聚类的任务中，本文提出的模型同样全面超越所有基线方法，其中Gaussian-BAT表现尤为突出，准确率提升了接近6%。