文本语义匹配是自然语言处理中一个重要的方向,它被用于信息检索、智能问答系统、新闻推荐等场景,能够为管理者精确定位相关信息提供技术保障。文本语义匹配存在的困难主要有:同一词在不同语境下所表达的语义不同;相同词语的不同排序所表达的语义不同;同一文本中包含字、词、短语、句子、段落等不同层次的信息。此外也存在文本匹配模型准确率不够高,相关数据集不足等问题。这些问题的存在,严重限制了基于文本语义匹配相关应用的发展。针对文本语义匹配中存在的无法理解多语义与无法处理多层次信息的问题,本文首先创新性地提出了双重孪生网络结构。单个孪生网络只能处理单一粒度的文本,而上层模型信息抽取能力依赖于底层所抽取信息的质量,所以本文提出了双重孪生网络结构分别在字与词的粒度上对文本进行处理,解决了单个孪生网络处理文本粒度单一问题。针对多层次信息理解不足与匹配模型准确率不够高的问题,本文在双重孪生网络结构的基础上提出了一种多粒度聚合方法。通过进一步抽取更高层次的信息,将双重孪生网络的输出向量进行多粒度聚合,使得最终的模型能够在文本的局部与全局视角上抽取不同粒度的语义信息,显著提升了现有模型的准确率。针对文本语义匹配相关数据集不足的问题,本研究基于蚂蚁金服智能客服文本数据集使用数据增强方法,扩充现有数据集,并使用本文所提出的模型进行实证研究。