近年来,随着社区问答(Community Question Answering,CQA)网站的快速发展,CQA系统中积累了大量问题,这些问题中有很多是重复性问题,即有着相同的回答。在实际应用中,如果能从CQA问题数据库中快速检测出与用户所提问题相同的问题,那么这些问题的答案便可快速返回给用户,满足用户对问答系统及时性等的需求。因此,如何检测出CQA系统中的重复性问题是影响CQA发展的一个关键问题。本文针对CQA中的重复性问题检测任务,做了如下工作:1)大多已有的研究往往直接利用预训练的词向量作为模型输入,并没有考虑到预训练词向量没有包含上下文信息的缺点。本文提出利用句子信息过滤词向量中语义信息的方法,该方法可将词向量中与上下文相关的信息提取出来,以增强词向量中上下文相关的语义信息。2)本文提出一种基于孪生网络的模型,在词匹配过程中可以充分利用问题中词与词之间的相关信息。同时,在句子表示过程中,本文基于结构化注意力将传统模型中仅仅由单一向量表示句子信息的方法转化为多个向量表示,使得本文模型可以捕捉更多的句子信息。此外,本文提出了不同于原有模型中将句子单独转化为向量再匹配的方法,而是尝试将两个句子作为整体去建模,最终得到的表示向量为整体句子对表示,这是一种更符合自然情况的方法。3)在词匹配过程,本文利用注意力方法将句子中相关信息进行整合,在句子向量表示过程中利用结构化注意力生成多个句子向量表示。注意力机制本身具有的可视化效果使得本文模型具有一定可解释性:词匹配过程中的注意力机制可以展示词与词的相关关系;在生成句子或句子对表示时,结构化注意力可以展示句子或句子对中哪些词或短语受到了关注并对模型最终的判别产生影响。4)最后,本文在几个规模不一的CQA重复性问题数据集上进行了实验,实验结果验证了所提模型的有效性。同时,不同模块的对比实验,也反映了所提模型中各个模块的有效性。多个数据实验表明,本文方法不仅能为决策者提供模型判别的可视化解释,同时也可保证模型在重复性问题检测任务上的有效性。