近年来,企业对智能客服的需求越来越旺盛。传统交互中客户需要和多个部门打交道,低效、成本高,未来交互可以通过智能客服系统来快速准确地过滤用户的大部分需求,从而减少对人工的依赖,可节省大量成本。大多数智能客服系统结合知识库来实现检索式问答系统(rQA),检索式问答系统常包含问题预处理模块,检索模块,匹配-重排模块等。文本语义匹配模型排序结果的优劣对智能客服用户的使用体验有很大影响。然而对于面向特定领域的智能客服系统而言,一方面,传统的文本语义匹配技术往往基于特征工程,很难迁移到其他领域中;另一方面,在冷启动阶段领域内人工标注的训练数据有限,如何在小语料的情况下提高意图识别的准确率,并随着标注语料的增多回答准确度不断提升,成为目前研究的热点,也是本文的主要研究内容。在深度学习建模的文本语义匹配模型中,一般分为基于句子表示和基于句子交互的深度学习模型。在这两种方法的基础上,我们提出一种基于门机制与残差连接的多层文本语义匹配模型(Densely-connect Fusion Attention Network,DFAN)。通过借鉴长短期记忆单元(LSTM)的门控机制思想,在句子交互前引入了输出门和遗忘门,改进之前方法对于自身所在句子词与词关系的建模不足的问题。受深度残差网络(ResNet)的启发,我们重复网络中的某些子结构并采用残差连接,使模型能进行不同粒度语义的交互。此外,通过控制隐藏层单元的大小,网络的参数相对于其他模型总参数并没有增多,但获得了更深的深度。我们在3个不同任务的英文数据集上进行了实验和分析,其中在SNLI,Quora Question Pairs测试集上准确度分别达到目前最好的88.8%和89.51%。针对特定领域检索式问答系统冷启动阶段训练语料有限的问题,论文提出了两类策略辅助模型学习,分别是基于迁移学习的方法和基于多任务学习的方法。对于前者,我们还尝试了4种不同的迁移方法,分别是基于源任务训练到目标任务微调的方法,基于源领域训练到目标领域微调的方法,基于特征迁移的方法和基于领域对抗迁移的方法。本文在来自民生领域的实际应用中分别进行了小语料情况下的线下测试和线上评估,实验表明结合多种策略训练的文本语义匹配模型能分别在两者中达到最优,且通过P值为0.037的McNemar检验证明相比不结合策略的方法有显著性提高。最后我们还展示了提出的文本语义匹配模型应用到线上真实的智能客服产品。