中文语句相似度计算是当前自然语言理解研究热点之一。目前一些传统的计算方法只考虑句子的句长、词序等表面信息,另一些考虑句子浅层语义的方法,均存在实用性上的表现不太理想的问题。因此本文提出了一种针对相似度计算中的句子表示、语义特征抽取方法及正则化参数选取,研究基于深层自动编码器的中文语句相似度计算方法,主要分为以下两个方面:(1)针对句子表示,本文提出了一种以字为特征的单位的中文语句表示方法,该方法将句子表示为高维、稀疏向量;通过深度学习将高维、稀疏向量变换到低维,本质特征空间的语义特征抽取方法,此过程是一种更为纯粹的端到端的学习,避免了建立停用词表,分词等工作,最终得到可直接用于句子相似度计算的低维特征表示。(2)为解决实验过程中多次人工调优正则化参数导致模型训练时间长的问题,本文提出了利用一阶原点矩,二阶原点矩,方差和极大似然估计概念的推广的计算方法,简化模型训练过程。该方法通过对算法数据集[X,Y]中的X矩阵进行运算得到的四个?值。在手写数字识别的实验中,将该方法与贝叶斯正则化方法应用到实验中后的算法识别结果进行比较,在coursera数据集中正确率提高了1.14-1.50个百分点,在MNIST数据集中正确率提高了0.11-0.75个百分点。因而计算得到的?值应用到L2正则化方法与贝叶斯正则化方法相比更能使得算法的泛化能力强,证明了该算法的有效性。实验结果表明,利用本文方法提取到的句子特征应用于句子相似度计算与基于关系向量模型的句子相似度计算方法和基于词向量的Jaccard方法相比,提高了相似度计算准确率,计算的时间复杂度仅为O(n)。在本文句子相似度实验过程中,L2正则化方法的正则化参数?由二阶原点矩概念的推广计算而来。