文本蕴含的定义是如果从前提句P能够合理推理得到假设句H,则称P蕴含H。文本蕴含识别（Recognizing Textual Entailment,RTE）的目的是推理给定的前提句和假设句之间的蕴含关系。文本蕴含识别能够帮助计算机从真正意义上深刻地理解文本和语言的深层含义,故被应用于多个自然语言处理任务中,例如问答系统、机器翻译、信息检索、文本摘要、关系抽取等。与英文RTE相比,中文的研究进展缓慢。首先针对数据自身的知识特征不够丰富的问题,本文使用《词林》中的同义词对数据集进行扩展。随后针对模型捕获的句子语义信息能力较弱的问题,本文提出了结合预训练模型和注意力机制的RoCo模型（RoBERTa fused with Co-Attention）,增强模型学习句子之间语义关系的能力。最后针对句子编码能力有限的问题,本文使用融合HowNet中的义原信息和上下文的向量表示对模型的编码层进行改进。主要的工作如下:（1）提出了基于同义词扩展的文本蕴含识别方法。该方法首先对文本蕴含数据集CNLI和XNLI-ZH进行《词林》中同义词的扩展,得到经过单义词与多义词扩展的数据集CNLI-m-p和XNLI-m-p。然后提出了RoCo模型,通过结合预训练模型和注意力机制共同增强模型捕获句子语义信息的能力。实验结果表明,各个模型使用同义词扩展的数据集能更有效地识别文本蕴含关系。而与仅使用注意力机制的模型或者预训练模型相比,RoCo模型的识别效果较好。并且该模型在CNLI-m-p和XNLI-m-p数据集上分别达到了80.50%和80.02%的准确率,说明了在同义词扩展的数据集上使用RoCo模型对于识别文本蕴含关系是有帮助的。（2）提出了基于义原增强的方法。为进一步增强句子的编码能力,本文提出了RoCo-Sem（RoBERTa fused with Co-Attention based on Sememe embedding）模型。该模型的编码层分别使用基于How Net中的义原信息和上下文的词向量和词义向量对句子进行编码,然后将前提句和假设句的注意力计算的结果做聚合操作。RoCo-Sem模型在原始数据集上取得了较好的效果,说明使用基于How Net中的义原信息的向量表示能够增强模型的编码能力。该模型在CNLI-m-p和XNLI-m-p数据集上分别达到了81.33%和80.74%的准确率,说明了在同义词扩展的数据集的基础上使用基于义原的向量表示能够有效地提高模型识别的效果。