短文本匹配旨在通过提取两个短文本的特征以预测它们之间的关系。短文本匹配作为自然语言处理领域的基础性研究,其效果的好坏直接影响了如文本蕴含识别、问答系统、信息检索等下游任务的性能。因此,短文本匹配任务作为自然语言处理的一项关键技术受到广泛的关注。目前的短文本匹配研究多聚焦于采用深度神经网络和注意力机制提取两个短文本的语义和交互特征,并通过设计不同的网络结构和交互方式构建短文本匹配模型。尽管现有的研究已经取得了一定的成果,但仍存在以下问题:（1）现有的短文本匹配模型无法有效地平衡效果和效率的关系,效果较好的模型往往伴随着复杂的网络结构和大量的训练参数,导致模型推理速度较慢,无法很好的满足实际场景的需求;（2）鉴于短文本匹配任务中的文本长度较短,现有的模型无法依据有限的上下文准确理解一些短文本中关键单词的语义,进而影响模型对两个短文本间关系的判断,导致模型匹配效果较差。针对上述问题,本文从以下三个方面展开研究:（1）针对短文本匹配任务中现有模型结构较为复杂和参数量较大导致推理速度较慢的问题,本文设计了高效轻量的短文本匹配模型（ELTM）。该模型采用简单高效的卷积神经网络获取短文本的语义信息,然后基于残差连接多次循环以共注意力层和融合层构成的交互模块,获取深层次的交互信息并与语义信息进行融合。ELTM模型着重于短文本的原始语义信息和深层次的融合信息,而优化其它模块的结构以减少参数、提升速度。本文在Quora、Twitter-URL、Sci Tail和SICK-E四个短文本匹配数据集上进行了大量的对比实验,结果表明,ELTM模型不仅大幅减少了模型的参数,而且在四个数据集上均取得了优异的效果。（2）针对现有模型无法准确理解一些短文本语义的问题,本文提出了基于语义增强的轻量级匹配模型框架。该框架首先对于短文本中的每一个单词,采用无监督的方法从Word Net知识库中选取最合适的释义描述信息作为外部语义知识,并采用双向门控循环单元（Bi-GRU）获取外部语义知识的表示矩阵;然后基于门控机制将外部知识选择性融入到短文本的语义表示中,增强轻量级模型对短文本的语义理解能力。经过大量的对比实验和实证分析表明,在Siamese-CNN、Siamese-LSTM、RE2和ELTM模型的基础上加入语义增强框架后,均可以有效地提升相应模型在短文本匹配任务的效果。（3）本文进一步提出了基于语义增强的预训练匹配模型框架。该框架同样基于Word Net获取外部语义知识并使用Bi-GRU进行编码得到其知识表示矩阵,然后将两个表示矩阵拼接后输入到Transformer编码层获取外部语义知识的交互信息表示。同时两个短文本输入到预训练模型获取其匹配特征。最后基于多头注意力机制将匹配特征与外部知识的交互信息表示进行融合,丰富模型对两个短文本间关系的特征表示。对比实验结果表明,在多种预训练模型的基础上加入本文提出的语义增强框架,均可以有效地提升相应模型在短文本匹配任务的效果,且相较现有知识增强方法提升幅度更大。综上所述,本文提出了轻量级短文本匹配模型ELTM,并在短文本匹配任务上相较基线方法取得了效果和效率的提升。此外,本文在轻量级模型和预训练模型的基础上融入Word Net知识库中单词的释义描述信息,分别设计了基于语义增强的轻量级匹配模型和预训练匹配模型,并有效地提升了相应模型的匹配效果。研究成果可应用于问答系统、信息检索等实际场景中,对展开相关研究具有借鉴意义。