如今互联网时代全面到来,信息技术已经开始融入各行各业,随之也产生了大量的数据,其中以文本数据最为常见。目前研究人员主要使用自然语言处理技术来分析文本数据,自然语言处理是人工智能领域中的重要方向,旨在研究计算机使用自然语言与人有效沟通的理论方法。而概念、文本语义相关性度量作为自然语言处理中重要的基础研究课题,也被众多研究者所关注。且其广泛应用于众多领域之中,比如词义消歧、信息抽取、自动摘要、问答系统以及文本分类等。虽然对概念及文本语义相关性度量研究较多,但是随着人们需求的不断变化以及自然语言处理技术的不断发展,对于语义相关度计算所能达到的精确度与广度也在不断提高,因此本文从概念及文本两个维度对语义相关性度量进行研究。本文的主要工作如下:（1）目前基于维基百科的概念语义相关度方法,存在预处理繁琐、计算复杂、精确度不高的问题,针对这一现象本文提出了基于维基百科双向链接的概念语义相关度模型。维基百科中的链接是由志愿者手动定义并通过审核形成的,更接近人类的语义,据此本文通过将维基百科中概念的外链接和内链接组合成双向链接向量来解释该概念,从而更好的模拟人类的语义。针对维基百科特有的结构,提出一种基于维基百科消歧页面的消歧策略,利用人们的公共认知,更好的选择准确义项来进行计算,消除了对概念语义相关度计算精度的负面干扰。针对在实验中发现维基百科概念之间的链接重叠度较低,直接使用传统方法将会导致部分计算结果与人工值存在较大的非线性偏差的情况,本文通过对数函数和指数函数进行非线性处理,改进了余弦相似度与Jaccard相似系数计算公式,提出了两种适合于维基百科链接的向量相似度公式。通过改进的向量相似度公式计算概念解释向量之间的距离来量化语义相关性。本文利用MC30、RG65、WS353、men3000等多个数据集进行测试,实验结果表现不错,在释义识别任务中,本文方法F1值达到了0.81。（2）为提高词向量在不同语言环境下的表达能力,本文利用Word Net中已经整理好的词语义项集与同义词集作为先验知识,提出了一种基于维基百科词统计的义项向量生成方法,旨在改善词向量无法解决一词多义的问题,同时提出了相应的义项消歧方法,在SCWS-2003数据集上,对比原始词统计向量,本文义项向量的Spearman系数提高了15%,说明该方法有一定的有效性。（3）在短文本相关度方面,本文主要针对中文文本的语义相关度,提出了基于变体卷积神经网络和双向长短期记忆网络的短文本语义相关度计算方法。卷积神经网络用于处理文本数据,可以有效提取局部特征,但经过池化层就会损失全局信息,而长短期记忆网络能够记住长期的信息,可以很好的解决文本中长期依赖的问题,因此本文结合去掉池化层的卷积神经网络和长短期记忆网络,利用孪生神经网络搭建框架,提取句子不同粒度的特征,利用该算法分别对Chinese STS、Chinese LCQMC和CCKS2018数据集进行测试,在CCKS2018数据集上,本文方法准确率与F1值均达到0.9。