文本匹配任务旨在从两段文本中挖掘内在的语义特征,预测文本间相关性或者矛盾性。作为自然语言处理领域最重要的任务之一,文本匹配一直是领域内众多研究们关注的焦点任务。受益于其部署易、响应快、模型小、通用性强等特点,在智能问答、搜索引擎以及手机小助手等领域占据核心地位。但该领域仍然存在一些问题,阻碍着文本匹配进一步的发展。为了提高模型研究的准确率,研究者们提出对文本表征进行交互,加强文本之间的联系性。但是对于一般性的数据,其效果依旧差强人意。此外,对于长文本匹配中存在噪声信息过多的问题,目前还没有固定的解决方法。针对文本匹配任务,本文围绕领域中现存的问题展开算法研究、实验验证以及实际应用。本文的主要工作和贡献分为以下三点:（1）针对当前文本匹配模型参数量过多,以及模型对一般性数据集的预测能力有限,本文提出了一种基于残差增强模块和简单注意力机制的文本匹配框架,该框架可以同时兼顾模型的准确率以及参数量的大小。框架中设计的增强残差模块,能够极大程度上保留文本的低层传播特征,增强网络对于文本特征信息的抽取。对于文本编码后的特征,框架采用了简单注意力机制来实现文本之间的特征对齐。利用注意力机制的并行处理特性,不仅提高了模型的运算速度,也增强了网络预测的准确性。（2）目前流行的长文本匹配算法大都使用参数量庞大的预训练模型,再进行文本之间相似度的计算。尽管取得优异的准确率,但是训练速度慢并且参数量巨大。为了减少模型的参数量,本文提出解决方案。首先在Bang Liu等人工作的基础上,利用图分治的思想,化整为散,减少图中顶点数量,增加每个顶点包含的关键信息量,从而减少了模型的参数量,提高模型运算速度。接着通过图神经网络聚合关键匹配信息。最后,本文从多角度提取文档的全局特征,将局部和全局特征统一聚合,以提升算法预测的准确性。（3）为了验证本文所提算法在一般数据上的有效性,以及在人们日常生活中的智能问答系统、搜索引擎以及手机小助手等产业中的实用价值。本文设计并实现了一款基于中文维基百科语料库的智能问答系统。该系统实现了中文语料上的问答匹配。系统根据用户输入的问题信息,在语料库中精确匹配答案,并在客户端反馈得分最高的结果。用户在查询过程中能直观感受本文所提算法的可行性。同时,也证明了本文模型在智能问答、搜索引擎以及聊天机器人等产业中的实用价值。