随着智慧农业的快速发展,依托互联网、大数据、人工智能技术的信息化农业技术推广方法正改变着人们获取农业知识的方式。问答社区是当前最普遍的信息化农业技术推广方式,现已积累了海量覆盖农业生产全过程、各领域的农业问答数据。但是这些具有实际应用和理论研究价值的农业文本并未得到充分、全面、高效的利用,主要原因包括:农业文本多以非结构化形式存储,无法准确转换为结构化文本;问答社区产生的农业文本具有数据量大、结构各异、文本长度短、表述不规范等特点,难以有效提取农业知识;农业文本在包含通用文本的各类语义信息基础上,还蕴含丰富的农业领域知识,难以进行精确挖掘;农业文本信息与具体的农业生产环境紧密相连,不同地域的农业信息交换困难,影响了数据共享;现有相关研究大多面向通用领域文本,对农业领域文本的适用性仍有待进一步验证。因此,为了更加全面、深入利用农业文本数据,推动信息化农业技术推广高质量发展,迫切需要探索有效的文本挖掘技术从中智能提取农业知识,使用户更加快速、便捷、高效、准确获取所需农业知识。从海量农业短文本数据中获取农业知识,首先需要利用有效的文本分类技术对文本进行精准划分,然后利用文本匹配技术,在现有文本中自动筛选出目标文本,最后从目标文本中提取所需农业知识。每个环节均影响着农业知识提取效果。因此,本文以“中国农技推广信息平台”农技问答社区的短文本问答数据为研究对象,以文本分类和文本匹配研究为基础,以农业病虫害实体识别为目标,全面总结分析现有文本分类、文本匹配及命名实体识别方法的不足,结合农业短文本特点,围绕如何增强短文本语义特征和丰富语义特征提取方式展开研究。论文主要研究内容和结果如下:（1）提出一种双向门控循环单元神经网络与多粒度卷积神经网络相结合的文本分类模型。该模型利用TF-IDF算法选择文本的特征词,采取特征词扩充及词向量加权表示方式丰富短文本语义特征;利用双向门控循环神经网络及多粒度卷积神经网络多角度提取文本深度语义特征。试验结果表明,在包括病虫草害、栽培管理、动物疫病等12个类别的农业短文本中,该模型的分类正确率达95.9%,与其他9种文本分类方法相比,分类性能优势明显。（2）提出了一种融合多语义特征的文本匹配模型。该模型利用词共现关系及文本最大匹配度作为文本语义特征,计算每组词共现对的权重,提高语义特征表达的准确性,进一步丰富了文本语义特征;根据不同语义特征特点,在参数共享的孪生神经网络结构基础上,分别运用双向长短期记忆网络、全连接网络和卷积神经网络提取搭建文本匹配模型。试验结果表明,该模型在面向农业短文本数据集时,语义相似度判断的正确率达94.15%。（3）提出了基于字、词向量相结合的农业病虫害命名实体识别模型。该模型利用字向量、词向量及词性向量丰富实体特征表达,并利用Bert预训练模型将外部语义特征信息融入到单个字向量中,进一步提高了字向量的表示能力,有效解决短文本语义特征不足的问题;利用双向长短期记忆神经网络及条件随机场模型对作物、病害、虫害、化肥、农药、部位及症状等7类命名实体进行识别。试验结果表明,该模型在识别农业病虫害相关实体时,正确率达到92.07%。