在这个信息爆炸的时代里,我们所能接触到的信息成指数级增长。为了方便人们以最快速度获取信息,文本语义相似度(Semantic Textual Similarity, STS)研究的应用领域不断扩大,涵盖了自然语言处理的各个方面,如信息检索、自动问答、机器翻译等等,其性能的优劣直接影响着自然语言处理系统的工作质量。本文基于FrameNet资源,针对文本语义相似度研究的任务,在新闻、视频描述、词典注释映射和翻译评测语料上,利用线性插值模型(Linear Interpolation Model, LIM),从词重叠、语法、语义三个方面对文本片段对进行度量。本文的主要研究成果如下：(1)提出了基于FrameNet资源、WordNet知识库、向量空间模型(Vector Space Model, VSM)的三种文本相似度模型,并利用线性插值的方法将它们集成化形成LIM-based模型,该模型的平均Pearson系数达0.5458。(2)本文将含有深层次的句法语义关系的LIM-based模型与只包含句法信息的基于树核函数文本相似度模型作比较,发现包含深层次句法语义关系的STS模型在各种类型的语料可结果最为稳定。文本的主要贡献在于引入FrameNet资源计算英文文本对的相似度,通过与基于树核函数的相似度模型的对比,分析了深层句法语义关系与表层语法关系的不同,这些结论都将为今后而向大规模、开放式的文本语义相似度研究提供重要的依据。提出的LIM-based模型在参与2013年STS国际评测的89个文本相似度模型中排名14、在SMT语料集排名第3。