近年来,伴随着人们在互联网平台上越来越多的中文信息日常交流、获取和存储,互联网上同时出现了大量的不规范的短文本信息,这些短文本大多来源于拼音打字和语音输入,它们缺乏完整的语法结构,存在很多的同音错别字,给数据分析和处理工作带来一定的困扰。因此,如何对这些文本进行及时有效的处理,从中提取出准确的信息,一直都是自然语言处理领域的重要的任务。短文本相似度的计算就是其中的重要课题之一。由于通过人工标记短文本相似度的数据集非常耗时耗力,所以非监督的短文本相似度算法是需要重点关注的算法。而非监督短文本相似度一直存在着准确率偏低的问题,因此本文针对非监督中文短文本相似度算法做了分析与研究,并提出了改进算法。本文以提高非监督中文短文本相似度算法准确率为目的,提出了两个改进算法。本文对基于语义和基于空间向量的两大类相似度算法中的几个经典算法进行了细致的研究和分析,与本文提出的两个算法做了大量的对比实验,并且用大规模中文问题匹配语料库LCQMC对这两个算法进行了实验验证。本文提出的的第一个算法是基于《同义词词林》的特征扩展算法。该算法可以解决短文本向量存在的特征稀疏问题,本文借助外部语义知识库《同义词词林》做短文本的特征扩展算法,并用五种常用的经典空间向量模型做对比实验。实验证明,该特征扩展算法能够有效地提升短文本相似度的精度,在五种经典空间向量算法上,准确率和F1-score都有3%左右的提升。本文提出的第二个算法是一种基于字音和词意的融合算法,主要针对结构不完整,容易出现同音错字的口语化短文本。该算法将短文本的字音、字符、词意（包括词序、词性等内容）作为文本特征,并通过这些特征来分别构建特征向量,计算每一种向量的相似度,然后通过融合算法计算出文本的综合语义相似度值,最终完成了融合字音、字符和词意的融合相似度计算方法。该方法在LCQMC数据集上得到的准确率和F1-score分别达到了83.6%和85.8%,比基于TF-IDF权重的句向量算法得到的结果高出6.5%和9.8%,比基于SIF的句向量算法得到的结果高出5.3%和8.3%,通过对比实验证明该算法是一个比较可靠的非监督中文短文本相似度算法。