基于神经网络的释义判别研究指使用神经网络模型判定两段文本在语义上表述是否具有一致性。释义判别是机器翻译、对话系统、自动问答和抄袭检测等研究的基础,是自然语言处理的关键技术和核心问题。本文以提升释义判别的性能为目标,从释义判别中不同句法结构在交互过程中作用的不同、句子内的多粒度对象交互不足以及具有局部匹配敏感性的文本释义判别三个方面,在注意力机制、自注意力机制、卷积神经网络等深度学习框架下开展释义判别研究。本文主要研究工作包括:（1）针对现有句子级释义判别方法没有考虑不同句法结构在交互过程中应具有不同作用的问题,本文给出基于注意力机制的句法语义交互释义判别模型MSSIAM（A Model of Syntactic and Semantic Interaction based on Attention Mechanism）,模型将句子的粒度划分到词汇充当的句法角色上,通过句法和语义相融合的方式得到包含语义信息的句法结构,完成词汇与句法结构的交互。然后使用神经网络中的注意力机制完成句法与句法间的交互,解决释义判别中不同句法结构在交互过程中具有不同作用的问题。模型在MSRP数据集进行验证,基于注意力机制的句法语义交互释义判别模型和不考虑句法权重模型进行了比较,实验结果验证了MSSIAM的有效性。（2）针对现有句子级释义判别方法对单词、短语和句子等多粒度为代表的语义交互不足的问题。本文给出基于自注意力机制的多粒度交互释义判别模型MGIPIM-SAM（Multiple Granularity Interactive Paraphrase Identification Model based on Self-Attention Mechanism）,模型使用展开式自动编码器得到单词、短语和句子等多粒度特征的语义表达。通过引入神经网络中的自注意力机制,解决释义判别中单词、短语和句子等多粒度特征间语义交互不足的问题。模型在MSRP数据集上进行验证,实验结果显示MGIPIMSAM获得了更优的F-score值。（3）针对现有篇章级释义判别方法没有对局部释义进行建模匹配的问题,本文给出基于连续卷积的局部语义匹配模型PMCNN（Partial Matching Convolution Neural Network）,模型以连续卷积、连续池化为手段提取局部释义特征,使用多层感知机完成特征间的交互,解决释义判别中局部释义的建模匹配问题。模型在PAN@2013和PAN@2014抄袭源检索数据集上进行验证,实验结果表明局部语义匹配模型具有统计有效性的优于基线方法。