随着计算机和互联网技术的不断发展,网络文本数据呈爆炸式增长,如何将这些海量文本数据有效利用和管理成为自然语言处理领域的重点,而文本相似度计算是这一领域的核心技术之一,具有十分广阔的应用前景与研究价值。目前文本相似度计算主要存在以下两方面问题:一方面,现有研究方法主要使用机器学习结合特征工程来构建计算模型,特征的设计和提取严重依赖专家领域知识,模型性能低。另一方面,目前深度学习领域中对于中文文本特征信息的提取不够充分,仅仅考虑了单一特征,缺乏语义细节、上下文交互作用和对多特征融合的应用,相似度计算准确率低。针对以上问题,本文以文本相似度为研究对象,主要完成了以下工作:(1)构造了丰富的中文文本数据集,并对数据进行了预处理,包括去停用词、分词、构建预训练模型等。详细分析了经典相似度算法的优劣并进行了相关对比实验。(2)提出了一种融合语义特征、文本间交互特征、上下文结构特征的文本相似度计算方法。在特征提取的任务上,兼顾多个特征提取目标,包括:通过卷积神经网络(Convolution Neural Networks,CNN)的多粒度卷积和对应的池化方式,有效提取文本的结构和词序信息;通过向双向长短期记忆网络(Bi-Directional Long Short-Term Memory,Bi-LSTM)中加入特征的交互作用,放大文本的相同点和差异性,提取文本的语义和交互信息;构建LSF特征提取两个文本词语之间的关联特征。设计融合策略将多种特征有效融合,较好的保留原始特征以及多种特征间的联系,并用相似度计算模块计算文本相似度。(3)在构建的多特征融合相似度计算模型中进一步引入了注意力机制的思想。在Bi-LSTM模型中引入多维自注意力机制高效的学习文本中内部结构特征,提取到文本中丰富的语义信息,让文本中的词有了重心。构建交互注意力矩阵,并通过矩阵的正交分解兼顾相似和不相似之处,利用CNN网络挖掘特征。引入多种注意力机制后模型计算相似度准确率更好,特征表达更全面。为了验证模型的性能,本文设置了几组对比实验并在阿里天池竞赛和Chinese STS两个数据集上验证。实验结果表明,相比于目前的几种主流模型,本文构建的模型能够有效提取出语义细节、交互信息,较好评估了文本相似度,具有更好的性能。