近几年以来,网络上的文本数据越来越多对海量的文本数据如何进行有效的管理已成为信息管理领域中热门的研究内容之一。信息管理领域首要的任务就是理解文本的语义,其中句子相似度的计算就是常用的方法之一,它在智能客服、机器翻译、信息检索等领域有着广泛的应用。本文重点研究了中文问句相似度计算的问题,具体内容如下:经调研发现目前的中文问句相似度计算模型存在以下几个问题:一、模型的性能依赖于中文分词技术的准确性;二、大部分模型无法充分关注中文问句本身的特征;三、使用TextCNN进行句子相似度计算时会丢弃大量的语义信息;四、由Word2Vec训练得到的词向量无法解决一词多义问题。针对上述第一个和第二个问题,对BiLSTM模型进行改进提出了一种融合字向量、自注意力机制的SA-BiLSTM中文问句相似度计算方法进行改善。字作为中文中最小的组成单位,其本身就包含了丰富的语义信息。且字的数量级远远低于词语的数量级,在一定程度上降低所要表示文本的维度。同时中文问句作为短文本数据存在特征稀疏性强的特性,为此引入自注意力机制充分考虑句子内部间的关系使得模型能够获得句子词之间更多的依赖关系,从而使得模型能够获得更多的语义特征。在本文第三章基于SA-BiLSTM的中文问句相似度计算方法的实验里证明字向量和引入自注意力机制的有效性。针对上述第三个和第四个问题,对TextCNN模型进行改进提出了BertCNN-S模型对问题进行解决,BertCNN-S模型主要由Bert所表示的词（字）向量、SiameseCNN作为基本网络结构、SoftPool池化方法组成。使用Bert模型训练得到的词向量能够包含多种语义信息,能在一定程度上解决一词多义问题。使用SoftPool池化方法是对TextCNN中的最大池化方法进行改进,目的是为了保留池化层功能的同时能保留更多的语义特征。本文第四章提出了一种基于BertCNN-S的中文问句相似度计算方法,实验结果验证了Bert模型表示的字向量的有效性,同时也验证了SoftPool池化不仅在图像领域的有效性,在自然语言处理领域也有着不错的效果,能够保留更多的语义特征信息。