文本匹配一直是自然语言处理领域中比较热门的研究方向之一。随着计算机算力提升,神经网络开始成为文本匹配任务的主流手段,一般称之为神经文本匹配。无论是什么样的神经文本匹配模型,目前都遵循一种范式:基于多种特征匹配聚合的框架设计更为复杂又精细的模型。因此为获取更多维度的特征,模型开始越来越复杂,参数越来越多。大多数的模型利用残差结构让模型越来越深,以便获取深层的语义信息。但这种方式有两个局限性:第一点是为聚合多种维度特征,研究人员开发了大量的特征交互方式,但这些交互方式在特定任务或数据集下的有效性,有待验证;第二点是残差结构让模型变得越来越“深”,参数开始越来多,但很少有工作在受限的资源下考虑如何进行更好的对文本匹配任务建模,也鲜有工作质疑参数效率的问题,少量的参数是否可以达到类似的效果。为了解决这种问题,本文提出了一个更加轻量又高效的神经文本匹配模型,使用神经常微分方程构造一种连续动态系统代替了堆叠的神经网络组件的离散过程,提出了一种基于神经ODE的特征提取模块（ODE extractor）,这种方式可以连续优化同一层参数,达到参数更少、参数效率更高的目的。同时基于此模块设计了一种轻量的,聚合了多种维度特征的文本匹配模型,称为RESODE。本文在自然语言推理和问答选择任务上验证了RESODE模型的性能表现,还特别设计了消融实验验证每个模块的有效性。实验结果表明,RESODE模型可以在更少的参数情况下获得与基线模型可比较的效果。这说明了使用残差结构进行暴力堆叠组件并非是提高模型性能的唯一手段,基于ODE的特征提取方法可以无需占用过多的内存资源、并在一些任务上取得可比较的表现。