问答匹配是自然语言处理领域的重要研究方向之一,主要包含答案选择和问题复述识别两个子任务。其中,答案选择任务的目标是判定“问题与答案”之间的语义相关性,用以优化问答场景下目标答案的召回质量;问题复述识别旨在判定“问题与问题”之间的语义是否等价,用以提高问答场景下同义问题（已知答案）的召回精度。两者皆是实现智能问答的核心技术,且在搜索引擎、社区问答以及智能客服等实用场景中有着广泛的应用。现有的预训练语言模型能够在“文本对子”之上形成统一的编码表示,其输入结构和运算模式适用于处理问答匹配任务。然而,直接应用此类模型仍将面临精细语义感知力不足以及缺乏鲁棒性两种局限性。本文基于上述问题展开以下三个方面的具体研究:1)预训练语言模型并未有效利用词块、短语和子句的独立语义信息表示,使其在匹配过程中容易错失精细粒度语义的感知。因此,本文提出一种多粒度交互推理网络,该方法对问题与答案进行多粒度语义编码,以丰富句子间的语义信息;2)微调预训练语言模型能够提高其对特定任务的精细语义感知能力,但其极大依赖于微调数据的数量与质量。为此,本文提出一种定向数据增强策略,该方法利用诱导标签对生成网络进行引导,促进问题复述识别数据的自动扩展。与传统数据增强方法相比,本文方法生成样本的质量更高、语义表达更加多元化;3)现有的研究缺乏对模型鲁棒性的深入探讨,尤其在数据资源相对稀缺的中文领域,模型的鲁棒性更加难以评定。为此,本文构建了一个符合中文语言学特征的评估数据集CQMrobust,其能够按照中文语言现象对问题复述识别模型进行系统化的鲁棒性测试,有助于分析现有预训练语言模型在该任务上的优势与不足。本文从多粒度交互、定向数据增强及鲁棒性评估三个角度出发,一定程度上缓解了问答匹配领域中精细语义感知力和鲁棒性不足的问题。在公开数据集WPQA、LCQMC以及CQMrobust上的实验均验证本文所提方法的有效性。