科技的快速发展,产生了许多以不同形式存储的异构数据,形成了大量封闭的信息孤岛,阻碍了数据的分析、共享和应用。模式匹配方法被广泛应用以解决异构数据语义冲突问题,然而目前的模式匹配方法仍然存在着匹配空间过大,匹配准确率和效率不高等问题。因此本文在深度学习的基础上,重点研究如何降低匹配空间、提高匹配的效率和准确率。主要包括以下几个方面:首先对现有模式匹配方法进行分析,明确基于学习的方法在异构数据语义集成中的优越性。其次对目前通用的基于BP神经网络的异构数据模式匹配方法进行详细分析,发现其中用于特征提取的原始数据指标体系和用于相似度计算的模型存在一些不足。针对原始数据指标体系忽略了不同类型的数据对同一特征指标敏感度不同的问题,本文基于注意力机制计算数值型数据和字符型数据中原始13个特征指标的注意力权重,并通过实验分别确定权重较高的6个指标作为关键指标。实验结果表明基于关键指标进行特征提取,无论是应用于BP神经网络中,还是注意力模式匹配模型中,其查准率、查全率和F1值均高于原始数据指标体系。同时能够提高人工提取特征的效率、降低模型复杂度和匹配空间。对BP神经网络模式匹配模型匹配准确率不高的原因进行分析,建立了一种基于注意力机制的模式匹配模型。实验结果表明在多个场景下,无论是基于原始数据指标体系还是关键指标进行特征提取,基于注意力的模式匹配模型在查准率、查全率和F1值的表现均优于BP神经网络。同时从理论上也验证了该模型能够进一步过滤干扰数据,提高匹配的准确率。本文提出的方法,能够提高匹配的准确率和效率,查准率能够达到90%。同时降低了模型的复杂度和匹配空间,为解决异构数据语义冲突带来了新的思路。