随着语音助手、问答社区、智能客服等应用的兴起,人们更愿意使用方便快捷的互联网检索自己感兴趣的内容。然而,对于同一种问题,每个人的表述方式却不尽相同。如何正确理解用户意图,从数以百万计的问题库中返回最相似的问题是工业界以及学术界研究的重点。传统的问句匹配模型基于人工构造特征计算文本之间的相似度。然而,人工构造的特征只考虑了文本的浅层次信息,也不具备可迁移能力。现有的深度学习匹配模型虽然能够挖掘文本的深层次语义信息,但忽略了文本的句法结构特征,无法准确地捕捉问句之间的匹配关系。同时,当前的问句匹配数据集存在语料不足、缺乏多样性等问题,进一步导致问句匹配模型在实际应用时效果不佳,缺乏鲁棒性。基于当前问句匹配方法的不足,本文提出了基于数据增强与图匹配网络的问句匹配方法。本文的主要贡献包括:1)针对现有方法忽略了问句文本句法结构特征的问题,本文结合注意力机制与依存句法分析,充分挖掘文本的深层次特征。首先利用Bert预训练模型对文本的语义信息进行编码,并通过注意力池化得到嵌入向量。然后对问句进行依存句法分析,建立文本语义单元之间的依赖关系,并利用自注意力机制学习不同句法成分的重要性,使模型聚焦于核心语义单元。最后,融合文本的语义特征与句法结构特征,实现问句文本的增强表示。2)针对现有模型无法准确捕捉问句之间匹配关系的缺点,设计了图匹配网络提取问句之间丰富的交互特征。在问句的句法结构图中,首先利用图注意力网络聚合依赖词的节点特征。然后,在待匹配问句对的任意词之间建立连接,结合注意力机制进行充分的交互。最后,通过多视角余弦相似度挖掘问句之间的差异,更好地把握语义焦点,得到更加准确的匹配结果。3)针对当前问句匹配数据集语料不足、缺乏多样性的问题,以及现有数据增强方法无法有效提升问句匹配效果的现状,本文从字词、句子粒度实现了面向问句匹配的数据增强方法。具体而言,本文设计了基于实体替换算法、同义词替换及随机插入算法、字词噪声增强算法以及回译算法,提高数据集的多样性,并进一步提升模型的匹配效果和实际应用中的鲁棒性。通过与多个先进的问句匹配模型进行对比实验,结果表明本文提出的基于数据增强与图匹配网络的问句匹配方法能够更好地挖掘问句文本之间的相似性。同时,从词汇理解、句法结构、对话类文本、口语化文本、错别字等维度进行评估,实验结果验证了本文提出的面向问句匹配的数据增强方法能够显著提升模型在实际应用中的鲁棒性,且优于现有的数据增强方法,并通过消融实验,验证了算法的各个模块对问句匹配模型的效果皆有提升。