随着计算机的普及,人们习惯于使用互联网来获取所需要的信息,但是由于数字信息是以指数形式逐年递增。人们在使用搜索引擎时,搜索引擎只能返回相关信息的链接或者包含答案内容的大段文本资料,用户想要获取有用的信息还要进行二次筛选,搜索引擎已经无法满足大多数人的需求。但问答系统反馈给用户的答案不是一大堆相关的文档或者是相关的链接,而是更加精确的答案,这样更加符合用户的需求。问答系统的关键技术就是问句相似度处理,传统的相似度研究方法无法有效捕获句子的语义信息,而且匹配的准确度不高。深度学习中的卷积神经网络可以对句子特征进行有效提取,循环神经网络可以捕获句子的上下文信息,两种方法都可以很好的捕获句子的语义信息,并且使用深度学习的句子相似度准确度更高。本文对深度学习中卷积神经网络(CNN)和循环神经网络(RNN)在文本处理上的优缺点做了对比。结合深度学习的相关知识着重研究了深度匹配语义模型,并对基于卷积神经网络的语义匹配模型展开研究,在池化层使用k-max均值采样,提出了基于k-max均值采样技术的句子相似度算法,通过与原模型进行实验对比,得出本文所用方法的精确度更高。在实验研究的过程中发现该方式存在无法捕获上下文语义信息方面的不足。针对卷积神经网络无法捕获文本上下文语义信息的问题,提出了基于LSTM与卷积神经网络相结合的句子相似度计算方法,即首先通过循环神经网络捕获上下文的语义信息,然后通过卷积神经网络提取特征,最后使用余弦相似度进行句子相似度处理。这种方法结合了前两种方法的优点,通过均方根误差作为实验的评估标准。实验结果表明,所提出方法的精确度更高。