随着人工智能的不断发展,自然交互不断深入到人们生活,智能音箱,智能家教,智能搜索,智能客服等一系列产品不断产生。文本蕴含识别是自然语言理解任务中的一个基础又核心的任务,能增强问答系统理解自然语言的能力,直接的应用是能进行知识验证,相比自然理解中的意图理解,文本蕴含具有的常识和逻辑推理更具挑战,在机器阅读,自动答题,自动评分上均有直接应用。随着深度学习和神经网络的发展,同时得益于大规模数据集SNLI的发布,基于神经网络的文本蕴含识别的模型层出不穷,主要分为两大类,一类是基于句子编码的文本蕴含模型,一类是基于交互注意力机制的文本蕴含模型。文本主要关注基于交互注意力机制的文本蕴含模型。另外目前最新的文本蕴含模型也存在词对推理能力较差的问题,例如目前系统无法针对常识中的反义词,上下位词的词对关系进行识别,因此文本主要是将人工知识引入到文本蕴含识别模型,来改善这一问题。首先,我们从三个角度获取词对知识向量,目前主要是在如何表示一个词,很少有人关注如何表示一个词对,而词对的表示对文本蕴含识别有重要的作用,我们首先尝试基于文本特征的词对关系分类,想用词对在上下位词,同义词,反义词的类别分布来表示词对关系,之后我们尝试了知识图谱表示工具TransR,希望实体向量和关系向量的相互关系能帮助我们学习到更多的信息,最后我们专门针对文本蕴含推理中的反义词和同义词进行了建模,这样我们得到了带有词汇关系知识的词对向量。然后我们获取的三种知识向量的特点将知识向量引入到词对齐和注意力机制的部分。在特定数据集下,相比经典模型发现引入反义词向量能有较大的提升。其次,我们针对现有的中文文本蕴含数据集,针对中文的信息量大以及可能存在分词错误的问题,通过引入字特征和依存分析特征,又结合了目前流行的上下文相关向量,在中文蕴含识别数据集得到了提升。最后,我们尝试将文本蕴含技术应用在慕课场景下的短文本评分任务中,具体是结合问题和问题对应的标准答案,来判断学生回答的重要性,结合文本匹配数据集和文本蕴含数据集,构建的文本匹配器去判断问题和学生回答的匹配关系,让学生回答和标准答案来判断蕴含关系,两部分联合训练以共同构建了评分模型,在评测数据集上取得了较大提升。