如何快速又准确地在浩如烟海的文献资料中找到要搜索的信息目前已成为人们迫切的需求。文本匹配技术是通过算法判断句子之间的语义是否相近,如果能有效地提升文本匹配的准确性,就可以很好地解决信息匹配与信息搜索的相关问题。近些年随着深度学习的发展,基于神经网络解决文本匹配任务的方法已经取得了较好的成绩。目前,基于深度学习的文本匹配算法通常采用卷积神经网络、长短时记忆网络或者是大型的预训练语言模型来进行计算。然而这些模型都有其局限性:卷积神经网络无法较好地学习全局的语义信息、长短时记忆网络无法较好地实现并行化,而大型的预训练语言模型则存在参数量过大,无法很好部署到硬件上等问题。针对这些问题,本文在基于已有的文本匹配方法上进一步地研究和创新,主要工作如下:（1）针对无法较好地学习全局语义信息和无法实现并行化的问题,本文首先使用变分自编码器作为预训练模型,学习到两个相似句子之间的关系;在下游匹配任务中,采用自注意力机制来学习句子内部中词语之间的语义表示;在学习局部语义信息时,采用的是深度可分离卷积模型来进行获取局部特征;在文本交互时,采用注意力机制进行交互与对齐。通过结合以上几种方法,模型既可以充分地学习语义的全局与局部的信息,也可以实现并行化计算,同时还能降低模型的参数。（2）针对预训练语言模型的参数过大的问题,本文采用知识蒸馏的方法来降低模型参数,加快训练速度。本文首先使用Ro BERTa作为老师模型来学习文本中的特征表示;使用Text CNN模型来作为学生模型来学习教师模型输出的知识特征;在训练方式上抛弃传统的分离式训练,即老师模型训练结束后再训练学生模型的方式。而是采用联合训练的方式,这样既可以降低预训练模型的参数,又可以在不损失太多精度的前提下,提升训练速度和泛化能力。（3）将本文提出的两种解决文本匹配方法在证券数据集上进行实验,验证这两种方法的可行性与泛化性。本文首先介绍证券数据集的相关内容与数据形式,然后将本文提出的两种方法进行训练和测试,最后对结果进行分析。