随着移动互联网的迅猛发展,网络文本数据也呈指数级增长。如何快速有效地从海量文本中获取人们感兴趣的内容,挖掘出其潜在的应用价值成为人们亟需解决的问题。对海量文本信息的分析处理常常会涉及到句子相似度计算,而词语的多义和歧义现象是影响相似度计算的一个重要因素。近年来借助词向量技术强大的语义信息表达能力,深度学习在自然语言处理（NLP）任务中取得了巨大的成功。深度学习NLP中处理多义词现象的方法有静态的多原型词向量和动态词向量两种技术,其中动态词向量技术因其表现较好受到众多研究者的青睐。但是,受制于特定领域下语义表达的精度,或实时性要求较高的应用场景下如推荐、检索等任务中性能要求的限制,静态多原型词向量是这些应用的一个好的选择。为此,本文提出一种基于多原型词向量的句子相似度计算框架,该框架包含词语的多义归纳、多原型词向量的迭代求精、以及基于ESIM匹配的相似度计算。这种框架可以较好地适应随着语言发展的变化、使用场景的不同而导致的词语多义变化发展的情况。论文的主要工作内容包含以下几个方面:（1）针对词语的多义表达随着使用领域和场景的不同以及语言的发展而变化,论文设计了一种基于词向量构建复杂网络进行词义归纳的方法。该方法通过上下文单词的词向量来表征多义词本身,利用词向量所蕴含的语义信息构建更好的特征网络,从而提高社区检测算法划分词义的有效性和鲁棒性。实验证明该方法比经典的Hyper Lex算法更为有效。（2）通过词义归纳推导得到的多原型词向量仍有语义表达不精确的问题,为此论文提出一种迭代求精的多原型词向量训练模型。模型通过歧义消除和词义标注模块、基于多义标记语料的词向量训练模块进行联合学习,不断精炼多义词向量。该方法还可以根据多义词的使用场景去适应特定场景下的语义表达和语义个数,改进多义词向量表达精度的问题。单词语义相似度计算实验验证了算法的有效性。（3）基于深度学习的句子相似度计算模型可以捕捉句子的结构、上下文等信息去提升评判效果。论文集成词语的多义推导、多原型词向量求精和ESIM匹配计算技术设计了一个句子相似度计算框架。该框架可以随着词语使用场景的变化、语言的发展更新多原型词向量的表达,从而得到更好的句子相似度计算准确度。实验证明,这种计算模型的准确度较传统ESIM模型改进了22.1%,较融合类信息的句子相似度计算方法提高了6.7%,其性能得到了很好的提升。