当前社会中信息技术的不断发展和应用越来越受到人们的关注,信息技术也在很大的程度上方便了广大群众的生活。大数据、人工智能等技术相关的应用渐渐的出现在大众的视野中,随之而来是,人们的需求也不断地提升,人们需要从海量的互联网数据中提取中自己所需的信息。因此,研究学者们将人工智能技术应用到自然语言处理领域中,出现了自动文摘、文献查重、文本分类与聚类、自动问答系统等一系列应用,极大的方便了人们的生活,这些应用都涉及到文本相似度的计算。本文的工作包括四个方面:第一,混合相似度计算模型的提出。为提高中文短文本相似度计算的准确率,提出一种新的基于混合策略的中文短文本相似度计算方法。首先,根据词的语义距离,采用层次聚类来构造短文本聚类二叉树,改进传统的向量空间模型,并计算关键词加权的文本相似度。然后,通过提取句子的主要成分,对传统的基于语法语义模型的方法进行改进,从而获得主体文本的语义相似度。最后,对两个相似度进行加权,以计算最终的文本相似度。实验结果表明,该方法在计算短文本相似度时更准确。第二,基于BERT模型的文本相似度的计算。BERT是一种预先训练好的语言模型。BERT模型在预训练阶段学到了通用的语言知识,在当前任务上微调习词语的上下文表示。为了验证由BERT的有效性,将BERT模型对比传统的模型进行对比。实验结果表明,与传统的系统方法相比,BERT方法有更好的结果。第三,Attention-BiLSTM-BERT模型的提出。在前面研究的基础上,采用BERT训练词向量,并在模型中引入注意力机制Bi LSTM网络来提取文本特征,在文本的语义表达上相较于其他深度学习模型更加准确,最后通过在公开的数据集上进行实验,和其他模型进行比对,验证了该模型具有更高的性能。第四,在第五章的基础算法研究之上,设计并实现了文本相似度计算系统。该系统可以用于日常生活的文献查重、文本分类与聚类等应用,具有一定的实际利用价值。