随着人工智能的发展,人们愈发希望计算机能够通过自然语言技术理解人类的语言,像人类一样学习思考,最终代替人类去完成具有认知能力的高难度任务。句子表征推理技术作为自然语言理解的关键技术,目前的研究优化内容主要集中在句子表征方法和推理模型两个方面,虽然性能也有提升,但是仍存在句子语义表达不全面、推理模型缺乏深度、推理过程缺乏可解释性等问题。本文针对以上问题,对句子表征推理技术进行了研究,具体研究工作如下:(1)针对句子表征方法表达信息不全面的问题,设计了一种多层语义表征网络应用于句子表征,通过多头注意力机制获取句子不同层面的语义信息,同时还通过添加词语间的相对位置掩码,融入句子的语序信息,减少语序带来的不确定性。最后在文本蕴含识别任务和情感分类任务上对该方法进行了验证,实验结果表明,多层语义表征网络对于提升句子表征的准确性和全面性有促进作用。(2)针对推理模型缺乏推理深度和可解释性的问题,设计了一种深度融合匹配网络,主要包括编码层、匹配层、依存卷积层、信息聚合层和推理预测层。在深度匹配网络的基础上对匹配层进行了改进,利用启发式匹配算法替换双向长短记忆神经网络简化交互融合,在提升推理深度的同时减少了模型的复杂度;依存卷积层采用树形卷积网络沿着句子依存树结构提取句子的结构信息,提升了推理过程的可解释性。最后在多个数据集对模型性能进行了验证,验证结果表明,该推理效果优于浅层的推理模型,在SNLI测试集上的准确率达到89.0%。同时语义相关性分析结果表明,依存卷积层对于提升推理过程的可解释性有很明显的帮助。(3)针对现有句子表征推理方法的改进优化仅考虑句子表征模块或推理模块带来的局限性,本文将多层语义表征网络与深度融合匹配网络结合,提出了一种基于多层语义和SCF-DMN的联合优化方法,探究句子表征和推理模块对推理性能的影响。在文本蕴含识别任务上进行实验,实验结果显示联合优化的表征推理方法性能优于现有方法,但介于单独优化句子表征模块和单独优化推理模块的改进方法之间,这表明句子表征和推理模块对推理性能都有促进作用,并且推理模块的优化对最终的推理结果影响更大。对比联合优化下各模块的性能变化发现句子表征模块与推理模块之间存在相互约束作用,该作用制约着每个模块达到最优性能,从而导致联合优化之后推理性能并未出现线性叠加。