随着互联网的飞速发展,自然语言处理渐渐走在科技前沿且备受研究者青睐。自然语言处理旨在增强人工智能与人之间的沟通,包括了信息抽取、信息检索、机器翻译等多项技术任务,能够解决人类完成此类数据量巨大的任务需要耗费大量精力的问题。同时,使计算机能够拥有人的思维模式,从语义层面理解文本从而更加高效完成任务是自然语言处理领域一直以来追求的目标。为此,文本蕴含识别技术应运而生。文本蕴含识别指通过给定前提文本与假设文本,判断假设文本是否可以从前提文本中推理出来,从而确定给定文本之间是否存在蕴含关系。传统文本蕴含识别方法需要很多人工抽取的特征、人工设定的规则以及词性标注、句法分析等预处理工具。随着自然语言处理的发展,研究者用神经网络来进行文本蕴含识别。这种方法能够一定程度模拟人脑,通过连续向量化表示来克服特征稀疏问题,但是对于语义信息的比较仍然有局限性,导致识别准确率并不十分理想。为此,本文提出基于联合特征的文本蕴含识别方法。首先建立了特征工程模型来提高文本特征抽取的准确率,通过文本向量化,特征增强,特征集成来构建特征工程模型,提取出文本特征;其次,本文提出一种文本匹配深度神经网络模型ESIM模型的改进方案,以提高语义层面的信息比较能力,将注意力机制融入ESIM模型——传统注意力机制完成文本软对齐,自注意力机制增强句子表征;最后,本文提出基于联合特征的文本蕴含识别方法,将特征工程与融入注意力机制的ESIM模型的特征融合,特征融合方法为D-S证据理论,并完成实验对比分析。实验结果表明,基于联合特征的文本蕴含识别方法在SNLI数据集上的识别准确率以及RTE-7数据集上的识别精确率均有所提高,从而证明了该方法的有效性。