Con el desarrollo del aprendizaje profundo, la demanda de coincidencia de similitud entre textos en la clasificación de textos está aumentando cada vez más. Cómo emparejar textos rápidamente bajo la premisa de mantener segura la información privada se ha convertido en un tema de investigación candente. Sin embargo, la mayoría de los protocolos existentes actualmente tienen limitaciones de conjunto completo, y la aplicabilidad de estos métodos es limitada cuando el tamaño de los datos es grande y disperso. Por lo tanto, este documento aplica el método de cálculo de vectores seguros para la coincidencia de similitud de texto en el caso de datos sin ninguna restricción de conjunto completo, y diseña un protocolo de cálculo seguro de similitud de texto (SCTS) basado en el modelo semi-honesto. Al mismo tiempo, se utiliza la tecnología de criptografía de curva elíptica para mejorar en gran medida la eficiencia de ejecución del protocolo. Además, también se analizó la posibilidad de comportamiento malicioso de los participantes en el protocolo del modelo semi-honesto, y se diseñó un protocolo SCTS adecuado para el modelo malicioso utilizando los métodos de cut-and-choose y zero-knowledge-proof. Al proponer un mecanismo de seguridad, este protocolo tiene como objetivo proporcionar una solución de computación confiable y segura que pueda prevenir de manera efectiva ataques maliciosos e interferencias. Finalmente, a través del análisis de las eficiencias de los protocolos existentes, se verifican aún más las eficiencias de los protocolos bajo el modelo malicioso, y se demuestra el valor práctico para la clasificación de textos en el aprendizaje profundo.