文本蕴含识别旨在判断两段文本间的语义逻辑关系,推理过程涉及到句法分析、词汇理解、逻辑推理、社会经验和常识等多个方面的知识,是一项判断计算机是否在一定程度上“理解”文本语义的具有挑战性的研究任务,也是自然语言处理领域较为重要的基准任务之一。近年来基于深度学习的方法在文本蕴含识别研究领域得到了广泛应用,但是针对中文文本蕴含识别的研究工作仍然较为缺乏,所提出的方法也存在许多不足:如模型对于句子深层语义的提取仍然有限,复杂的外部知识较难融合,推理过程不遵循单向原则等。因此,本文使用深度学习技术,针对中文文本蕴含识别研究所存在的一系列问题,进行探索和研究。主要的研究工作总结如下:第一,针对自注意力机制捕获复杂句子语义能力不足和中文文本蕴含识别数据集存在规模小、噪声大的问题,提出了一种融合语义角色和自注意机制的中文文本蕴含识别方法。该方法在Transformer的结构基础上创新性地把句子的浅层语义角色标注结果与自注意力机制相结合,提升了自注意力机制捕获句子语义的能力,并且使用大规模预训练语言模型BERT-wwm-ext,能够显著提升模型在小规模数据集上的识别性能。第二,针对复杂的外部知识较难融合以及语义角色标注信息编码不完整的问题,提出了一种基于知识图网络的中文文本蕴含识别方法。该方法首先使用图注意力网络分别编码ConceptNet知识网络和语义角色标注信息,然后对图编码结果依次进行局部推理和全局推理,最终融合特征得到关系类别。实验结果表明,图注意力网络能够有效地将ConceptNet的复杂结构编码融合于文本蕴含识别模型,提升模型基于外部知识的常识推理能力,并且图注意力网络能够更完整地编码复杂语句的语义角色信息,从而提高模型的整体识别性能。第三,针对文本蕴含识别模型缺乏单向推理能力以及复杂度高的问题,提出了一种基于单向深度融合的中文文本蕴含识别方法。该方法从文本蕴含的本质特点出发,通过单向推理结构模拟前提句推理假设句的过程,并且不需要以往模型中所使用的大量对齐机制以及密集连接等部分。实验结果表明,该方法不仅能够有效提升中文文本蕴含识别性能,而且可以加快模型的训练速度。