短句语义相似性判别作为自然语言处理的基础任务,对于下游的数据挖掘、信息检索、机器翻译等任务具有极其重要的作用。在目前基于匹配聚合框架的语义相似性模型中,序列对齐的过程中只考虑了单个特征空间的语义信息,并且对于全局信息的利用不够充分。另外,将序列转化为固定维度的向量的单步预测方式也会造成序列中重要信息的丢失。解决上述问题对于模型性能提升具有积极的作用。本文针对上述两方面的问题,提出基于混合全局信息的增强序列对齐方法与基于GRU的双向多步迭代预测方法,并针对两部分内容分别设计了模型并进行了实验验证。论文工作得到了国家重点研发计划项目“内外贯通的审判执行与诉讼服务协同支撑技术研究”（2018YFC0831300）的支持,主要工作如下:（1）提出基于混合全局信息的增强序列对齐方法并设计模型进行了验证。该方法由三部分构成,其中基于Transformer的内部对齐方法用于利用序列本身的全局信息,基于多头注意力的增强交互对齐方式用于利用外部序列的全局信息,基于双向LSTM/Transformer的全局对齐方式用于融合序列内外的全局信息。因子分解机用于序列内部中单个分量中各维进行二阶交互增强与降维。综合上述内容,设计了基于混合全局信息的语义相似模型。实验结果显示,标准模型的准确率为89.89%,超越了目前同类主流模型近0.49%,非标准模型的准确率可达到89.97%。（2）提出基于GRU的双向多步迭代预测方法并设计模型进行了验证。该方法首先会通过双向GRU来记录增强的对齐特征的上下文信息,之后分别从两个方向使用GRU进行迭代预测。其中每个GRU的初始状态由为一个序列的固定压缩向量,每一迭代时间步的输入由上一步的隐藏状态和另一个序列完整序列通过注意力机制计算综合得到。因此每一步的输入包含了对初始固定向量的调整以及对另一个序列中完整信息的利用。综合双向的信息,则可以多次利用两个序列的完整信息,最后的预测结果由多个迭代步的预测结果共同决定。基于以上内容设计了对应了基于GRU的语义相似性多步迭代模型。实验结果显示,标准模型的准确率为89.87%,超越了目前同类主流的单步迭代网络近0.47%,非标准模型的准确率可以达到89.89%。上述两种模型在资源消耗和模型速度方面要优于基础的BERT模型,同时模型性能也相当具有竞争性,更加适合轻量级的工业部署。