文本语义相似度计算研究的目的在于进行高效的信息筛选和帮助人类排除重复信息,在通用领域和临床医疗领域中有很强的应用价值。在通用领域,文本相似度计算可以帮助大量的文本信息进行筛选,其中深度学习和自然语言处理的应用对于文本语义相似度计算有着很好的表现。对于临床医疗领域来说,电子健康记录的大量使用导致医疗文本信息的冗余,通过语义相似度计算可以很好的避免医学信息冗余和组织错误的问题,所以,文本语义相似度计算在临床医疗领域的研究开始逐步增多。本文的研究是在通用领域与临床医疗领域中,利用复合深度学习的方法去进行文本语义相似度计算。在通用领域中,对文本语义相似度计算问题分析后,在之前的模型中,数据信息在长距离传播的过程中可能会丢失,这就造成模型可能无法掌握关键信息,从而导致模型的性能和表现变差,并且单一模型的表现在多数时候并不能达到最好。基于这些问题,本文采用了模型BERT-LSTM和平均集成学习的方法。本文的方法在通用领域数据集SICK中获得了最好结果。在临床医疗领域中,由于医学数据集本身的隐私性和来源不足的问题会导致了能够用于进行预训练的临床数据量存在不足。针对这个问题,本文主要使用半监督学习和数据增强的方法去直接和间接的提高单一数据集的使用情况。此外,为了进一步的提高模型关键信息获取的能力,本文使用了模型ALBERT和自我集成的方法。这个复合的改进方法在数据集ClinicalSTS中得到了最优的结果。