随着互联网技术和人工智能技术的不断发展,自然语言处理技术的发展也步入了快车道。文本匹配技术可广泛应用于智能问答、信息检索、问题复述等多项自然语言处理任务中。但传统的文本匹配语言适应性不强,对新语言进行数据标注的成本很高。本文使用迁移学习思想解决这一问题,在数据较多的语言上训练文本匹配模型辅助数据较少的语言进行学习,从而降低学习成本。本文对跨语言文本匹配问题进行了分析,将问题拆分为跨语言文本特征映射和文本匹配两个子问题,结合深度学习的模块化设计特点在设计模型时综合考虑这两个问题,提出了一种基于深度学习的跨语言文本匹配模型。本文首先对文本特征映射问题进行了研究,不同语言的语法结构和表述规律虽有不同,但其语义空间往往存在相似性。本文利用不同语言的高维特征空间可以线性映射这种关系,先对不同语言使用Transformer独立训练语言模型,然后使用监督式GAN学习不同语言的高维空间映射关系。为提高语言模型健壮性,在训练语言模型时设计引入了数据噪声并在生成编码时使用保留词向量及句向量。在跨语言向量映射时只使用少量平行数据训练生成对抗网络,降低了数据获取成本。本文对文本匹配问题进行了研究,在设计文本匹配模型时考虑文本整体特征及层次特征,并且考虑了模型的可并行化模块,使用了多种注意力机制和卷积神经网络设计了文本匹配模型SACNN。在保障文本匹配精度的前提下,实现了快速可并行化的训练。为验证跨语言文本匹配模型整体的有效性,本文在英语、法语、德语、西班牙语四种语言上进行了跨语言文本匹配实验并取得了不错的实验效果。