语义相似度计算一直以来都是自然语言处理领域研究中的热点与难点问题,其在搜索引擎、智能客服、翻译软件等诸多计算机应用中都作为主要的算法支撑。深度学习算法的发展逐步取代了传统的语义相似度计算,深度学习中的孪生神经网络框架因天然的结构优势使其在语义相似度的计算问题上具有较好的性能。但由于其对两个文本的特征提取是相互独立的,无法获取两个文本之间的交互特征,难以学习到句子间的逻辑关系。为了改善上述问题,本文在孪生神经网络的基础上提出两种改进模型以充分发挥孪生神经网络结构的优势,提升语义相似度计算的准确性。（1）第一种改进模型是基于孪生ELECTRA网络的语义相似度交互模型。首先利用ELECTRA模型构造孪生神经网络的编码层,不仅能够提高模型的计算效率还能够使模型获取到两个文本更深层次的语义信息和文本间的距离信息。为了使模型提取到两文本的交互特征,该模型还结合了BERT的下文预测任务建立交互模块,利用获取到的交互特征与文本距离特征共同度量语义相似度。（2）第二种改进模型是基于孪生Uni LM网络的语义相似度模型。Uni LM的网络层具有的多种编码方式,利用该特点将其作为孪生神经网络框架的编码层可以充分获取到句子的语义信息和句子对之间的上下文关系。本文基于提出的两种改进模型,利用对等关系型和问答关系型两种文本数据集分别对模型进行实验,实验结果表明基于孪生ELECTRA网络的语义相似度交互模型的准确率相较于目前比较先进的BERT模型在两类数据集上均有所提升,且其在对等关系型任务上的表现优于问答关系型任务。基于孪生Uni LM网络的语义相似度模型的性能在对等关系型任务上的表现与BERT模型相当,在问答关系型任务上比BERT模型的准确性提升了3.31%,比基于孪生ELECTRA网络的语义相似度交互模型的准确性提升了2.58%。