在当今飞速发展的互联网时代,随着人们生活水平的不断提高,人们在信息检索、自动问答、对话系统等人工智能领域的需求越来越高,需要智能匹配算法来满足用户的多样化需求。为解决这一问题,自然语言处理技术应运而生,它能够为用户提供高效的信息检索服务和舒适的人机交互体验。文本匹配任务是自然语言处理技术中的核心问题,近年来随着深度学习和文本词向量技术的迅猛发展,基于深度神经网络的文本匹配逐渐成为一个新的研究方向。本文研究了文本匹配一些经典的深度学习模型,基于ESIM、DSSM、Decomposable Attention、Siamese Network四种模型,根据Blending模型融合方法并在Blending上最后添加一层逻辑回归,提出一种融合模型。主要工作包括:首先,研究了文本匹配相关技术,包括词向量技术、卷积神经网络、循环神经网络、双向循环神经网络以及模型融合技术。其次,分别介绍了四种模型的基本结构,并在此基础上,针对本文实际问题进行模型构造,对四种模型各个网络层进行详细阐述,对损失函数、优化算法等进行说明。解释本文所提出的模型的构造过程。最后,根据2018蚂蚁金服文本相似度比赛数据进行实验,实验结果表明,ESIM模型在实际文本匹配任务中表现最好。在最终模型融合阶段,基于Blending模型融合方法,利用逻辑回归作为Blending的最后一层进行模型融合,应用到测试集上,准确率达到0.716537,召回率达到0.748,值达到0.73193054,均高于四种基模型。实验结果表明本文设计的模型能够通过Blending模型融合方法,充分利用不同网络架构之间的差异性,提取文本中的信息,发挥出各个模型的优势,提升模型的准确性。