在信息化不断深入、互联网越来越普及的今天,各种形式的文本数据正以惊人的速度增长,由此带来的数据拷贝问题也变得越来越严重。对于企业或组织来说,大量的重复数据导致存储和检索的效率降低；对于互联网网站来说,大量的抄袭严重影响数据生产者的权益和积极性,不利于整个互联网的良性发展；同时,数据拷贝对于搜索引擎的效果也造成了一定的负面影响。对于文本拷贝检测研究来说,该领域的研究方向主要分为两部分：1)文本表示,2)效率和可扩展性。前者主要研究如何从文本中抽取相关特征,用这些特征来代表文本,从而更好地进行拷贝检测；后者在大规模数据的背景下主要研究如何高效地检测拷贝文本。然而,在很多研究中,这两个方向并不是孤立的,前者会为后者服务,一个高效的拷贝检测方案可能需要特殊的文本表示方法。此外,对于不同的应用场景,进行拷贝检测的颗粒度也有所不同；对于颗粒度更小的拷贝检测,如句子级别的拷贝检测,它对效率和可扩展性的要求将更高。本文主要的研究内容同样包括这两方面,具体如下：1)首先,本文提出了一个完整的拷贝检测框架,包括主要的流程以及拷贝检测算法；2)其次,本文详细讨论了用哈希编码来表示文本的可行性,并且发现已有的哈希编码方案在准确率方面仍有着较大的提升空间：基于哈希编码空间有限,需要充分利用编码空间这一事实,本文提出了一个哈希编码学习方案,并且通过实验发现,该方案所得到的哈希编码确实是更优的,能够大幅提升检测的准确性；3)最后,通过在GPU上实现最为耗时的关键算法,取得了超过1500倍的加速比,同时兼具良好的可扩展性。