当前社会中信息技术的不断发展和应用越来越受到人们的关注,信息技术也在很大的程度上方便了广大群众的生活。大数据、人工智能等技术相关的应用渐渐的出现在大众的视野中,随之而来是,人们的需求也不断地提升,人们需要从海量的互联网数据中提取中自己所需的信息。因此,研究者和学者们将人工智能技术应用到自然语言处理领域中,出现了自动文摘、文献查重、文本分类与聚类、自动问答系统等一系列应用,极大的方便了人们的生活,这些应用都涉及到文本相似度的计算。文本相似度计算的应用非常广泛,因此对文本相似度的研究非常有价值。本文通过对传统的文本相似度计算算法进行分析总结,分析各种算法的优缺点及使用场景,在之前学者研究的基础上,提出了基于神经网络的文本相似度计算模型。本文做的主要工作有以下两点:1.将Doc2vec算法和Bi-LSTM算法两者结合,提出了基于Do-Bi-LSTM文本相似度计算方法,其中Do为Doc2vec的缩写。该模型首先通过Doc2vec语言模型把训练数据集中的文本转换成向量,该方法在词向量的基础上增加了文本的段落向量,从而获取了句子之间以及段落之间的相互关系。然后把得到的向量作为Bi-LSTM网络模型的输入进行模型训练,最后通过与LSTM网络模型、传统的深度网络模型相比,实验表明该方法的准确率有很大的提高,具有可行性。2.在先前研究的基础上,采用BERT训练词向量,并在模型中引入多头注意力机制(Multi-head Attention),该模型在网络输入层引入了词向量和位置向量,在文本的语义表达上相较于其他深度学习模型更加准确,最后通过在公开的数据集上进行实验,和其他模型进行比对,F1值明显提高,验证了该模型具有更高的性能。