进入二十一世纪,自然语言处理在计算机领域的应用不断拓展,人们在信息检索、问答系统、对话系统和智能客服等人工智能领域的需求开始出现。这些任务很大程度上可以抽象为文本匹配问题,文本匹配技术因此应运而生。文本匹配是自然语言处理领域中的关键核心技术,可以应用于大量的自然语言处理任务中。近年来,计算机视觉技术迅猛发展,将计算机视觉领域的相关技术引入到文本匹配任务中,已逐渐成为一个新的研究方向。本文通过研究近几年经典的深度文本匹配模型,发现文本特征提取没有同时考虑字、词、短语等局部信息以及文本的时序信息;也发现融合和提取文本匹配或文本交互信息时,没有更深层次的提取特征,也没有更好的保留文本匹配的局部信息。首先,针对文本特征提取问题,本文设计了基于卷积神经网络的深层文本特征提取方法,该方法能够同时提取文本字特征和词、短语等局部特征以及文本时序特征;其次,针对融合和提取文本匹配信息或文本交互信息的问题,本文设计了多通道特征堆积和提取的方法。基于文本匹配计算和文本交互计算,本文分别构建了基于卷积神经网络的多视角多通道文本匹配模型D-MPCPM和注意力机制下的多视角多通道交互文本匹配模型A-MPCIM,其中,D-MPCPM模型主要是通过不同匹配方法或模型参数得到多视角匹配矩阵,再采用深层卷积神经网络进行匹配特征提取;而A-MPCIM模型主要是两段文本特征进行交互,其交互方式是基于匹配矩阵来计算Attention权重进行交互,交互后的两段文本特征使用不同方法进行融合,得到多视角交互特征,再采用卷积神经网络进行交互特征提取。最后,本文在两个公开数据集上进行验证,首先,进行深层文本特征提取方法对比实验,实验结果表明:基于卷积神经网络的深层文本特征提取方法更加稳定,泛化能力更强以及能提取更多的文本特征;其次,再进行多通道特征堆积和提取的对比实验,实验结果表明:多通道堆积和提取优于Bi LSTM提取方法;最后,进行深度文本匹配模型的对比实验,实验结果表明:本文构建的D-MPCPM模型和A-MPCIM模型均优于近几年典型的深度文本匹配模型。