随着互联网和计算机科学技术的快速发展,人们对智能客服、机器翻译等人工智能应用的需求越来越多,对计算机处理人类自然语言能力的要求也越来越高。文本语义匹配作为自然语言处理技术中的核心内容之一,可将用户输入文本和计算机数据库中已有文本进行语义匹配,辅助计算机理解人类自然语言。由于中文语料字词表规模庞大,导致语料数据稀疏,字词表中元素对应的语义特征嵌入向量无法得到充分训练。同时,传统word2vec嵌入模型将字词表中元素固定映射为单一语义特征嵌入向量,无法实现元素多义表征。针对以上问题,本课题采用汉语拼音声母、韵母和声调作为字词表基本单位,解决中文语料字词表规模庞大的问题。同时,为实现拼音特征嵌入向量多义表征,本课题将拼音文本与基于Transformer的双向编码表示(BERT)嵌入模型相结合。通过多头自注意力机制根据拼音文本中元素的前后文信息实现拼音特征嵌入向量动态映射。另外,为提高嵌入向量的表征效果,本课题对现有BERT嵌入模型预训练方法进行改进,提出一种适用于文本语义匹配任务的预训练方法,并在拼音语料上对BERT嵌入模型重新进行预训练。实验结果显示,所提出的文本语义匹配模型在大规模中文问题匹配数据集上达到85.2%的F1值,优于文中其他基于词语或汉字特征并结合word2vec嵌入模型的文本语义匹配模型。这表明,通过结合嵌入向量动态映射方法并进行充分预训练,汉语拼音可以作为一种有效的特征,在大幅降低字词表规模的同时提高文本语义匹配模型性能。