在网络高速发展的时代,自然语言通常以文本的形式存在,如何处理这些海量文本数据是自然语言处理的核心。词语相似度被广泛应用在信息检索、机器翻译、智能教育等领域。短文本匹配是自然语言处理的一项更重要的技术,在中文句子中,文本由词语组成,词语相似度计算与文本相似度计算属于递进关系。本文的主要工作如下:《知网》的词语相似度计算方法很少利用词语的信息内容含量,大都是通过义原的上下位关系构造义原树,再基于义原之间路径信息的计算方法。而基于信息内容含量的方法没有考虑义原密度信息对信息含量的影响。因此本文基于义原结点信息内容含量的方法并引入义原密度信息来计算相似度。针对哈工大的《同义词词林》扩展版的拓扑结构存在不合理的方式,词林无法区分抽象概念与具体概念的问题,因此本文使用的是修订拓扑结构后的《同义词词林》。修订后的结构与《知网》类似,本文在词林相似度计算的方法上考虑了路径信息来计算词语相似度。最后结合的《知网》与《同义词词林》的计算结果,本文提出的方法,能够得到更符合人类主观判断的结果。中文短文本匹配任务中,针对中文短文本分词、去停用词后文本信息的丢失,需要充分利用现有的文本信息的问题。本文提出了一种基于多粒度语义嵌入的多语义交互句子匹配模型（MSIM）来解决中文短文本匹配问题。首先,将每个句子对表示为多粒度嵌入:基于一个独热向量的字符嵌入和基于预训练模型的词嵌入。此外,为了更充足地捕获充足的交互语义特征,本文提出三个方式交互句子信息,不仅对两个编码后的句子的每一个时间步信息进行匹配并做平均池化与最大池化操作,还将每个时间步与注意力表征计算差值与按元素乘积进行深层次交互。目的是对交互的句子对充分提取其差异与关联特征。本文的方法在中文数据集CCKS和ATEC上进行了评估。实验结果表明本文的模型该充分利用了中文短文本信息,提高了文本短文本匹配的效果。