随着互联网的飞速发展,世界每天都产生约1.68亿张CD的信息量,信息的总存储量呈爆炸式增长。各大开放式搜索引擎,各专业领域、信息管理系统的快速搜索功能,都是为了帮助用户实现文本信息的快速匹配与召回。合理、高效的匹配与排序算法正是文本匹配的关键所在。文本匹配是自然语言处理领域中的一个核心且常见的问题,许多自然语言处理任务,例如问答系统、对话系统、以及部分推荐系统等,最终都能够抽象为文本匹配问题。在文本匹配任务中,注意力机制是当前使用最广泛的方法,现有的注意力机制存在两方面问题,一方面,传统注意力机制更注重提取词语间的相互关系,忽略了部分词语本身的特征,特征挖掘不够充分,因此模型性能会受到限制。另一方面,现存的注意力计算方法种类繁多,应用模型复杂度普遍偏高。若特征选择不合理,或特征融合方法不恰当,模型效果不增反降。因此,本文提出了一种新的词语注意力机制,并设计了一种新颖的分层特征融合模型。首先,本文针对词语自身特征设计了一种新的注意力机制——词语注意力机制。词语注意力机制在进行特征增强时,只考虑词语本身内在的含义及隐藏特征,是一种真正着眼于挖掘词语自身特征的方法,可以增强词语本身的隐含含义,从单个词语级别提取更独特的特征,从而得到蕴含信息更全面的新的文本表达。该方法计算复杂度低,计算资源消耗较少。其次,随着特征提取及增强方法变多,本文提出了一种新颖的分层注意力特征融合应用模型,根据注意力机制对文本信息的处理粒度(词级、句级)分类,分层次有针对性的将多种注意力机制加入到文本匹配模型中。经过多层注意力机制信息提取及增强后,区别地利用各层级信息,分层建模、合理融合,在语句层面最大程度避免信息损失,综合提升了匹配与排序模型的性能。该模型在多个权威数据集上的实验结果均达到了当前领域顶尖水平。针对以上创新点撰写的论文已被国际会议录用发表。最后,本论文将所研究的算法模型落地应用到了北邮教育智能化系统中,证明了本论文模型的有效应用价值。