短文本的语义相似度计算任务是自然语言处理中的基础任务之一,在文本匹配、推荐系统、文本生成等领域都有广泛的应用场景和技术研究需求。现有技术建模手段主要是通过基于字符匹配度的数学算子建模与基于单词向量的神经网络建模。这两种方式都是基于单一特征建模,文本相似度计算结果依赖于带标记的数据量和单一特征。单一特征的建模方法难以满足文本相似度计算对特征多样性的需求,从而导致网络模型难以进一步提升推理结果的准确性。针对上文提到的单一特征难以将文本特征进行全面表达的问题,构建了多特征组合数据,对其进行特征提取操作。设计了一个语法树嵌入算法获取依赖向量。构建了一个语法树自编码器获取依赖信息。依赖信息与语义信息向量和位置信息向量结合成了多特征组合数据。针对多特征模型数据冗余带来的模型表现下降问题,设计了特征融合以及筛选机制。组合特征经过拆分筛选,随后融合成全局特征。全局特征能更进一步的提升相似度。本文所做研究工作主要有下列几个方面:第一,设计了基于句法分析的语法树嵌入表示方法。通过语法树生成算法获取短文本的语法依赖信息,并在语法依赖树的符号表示基础上生成初始化的依赖矩阵块。由于生成的依赖矩阵块存在数据稀疏和噪点的现象,本文利用自编码网络对矩阵块进行了降维和去噪操作,从而能够使用稠密向量去表示短文本的语法依赖和结构信息。该语法依赖的结构特征作为后续网络融合学习的多特征输入之一,通过实验表明该特征的融合能够进一步的提升相似度计算的准确性。第二,构建了多维组合特征提取编码器。通过语法树嵌入算法得到依赖向量特征,与语义特征与位置特征组成多维特征组合。由于组合特征没有经过预训练操作,本文构建了特征提取编码器对特征输入采取特征精炼操作,从而能使得多维特征对网络的适应性得到增强,得到了更加精炼的数据输入。通过实验证明,经过特征提取的特征在数据集精确度上取得2.46%的更优表现。第三,设计并构建了基于ResNext-Net Vlad的特征筛选网络。在精炼数据的基础上对数据进行分组拆分聚合操作,对相似度计算结果不利的局部特征被筛去,获得有利于最终结果计算的文本特征。由于经过特征筛选之后,局部特征之间的联系被打破,特征呈碎片化,本文进行了特征融合操作,求得了聚类中心簇,根据聚类中心簇求解得到短文本相似度。为了论证上述方案的可行性,在Sem Eval数据集上展开了实验。实验的结果表明经过语法树嵌入之后的特征的准确度提高至87.4%。本文方法在Semeval的8个数据集上取得了其中6个数据集的最佳结果。