Le couplage de phrases en langage naturel est une technologie fondamentale pour diverses tâches. Les approches précédentes effectuaient soit un couplage unidirectionnel des phrases, soit n'appliquaient que des couplages mono-granulaires (mot à mot ou phrase à phrase). Dans ce travail, nous proposons un modèle de couplage bilatéral multi-perspectives (Bilateral Multi-Perspective Matching, BiMPM) basé sur le cadre « couplage-agrégation ». Étant données deux phrases $P$P et $Q$Q, notre modèle les encode d'abord à l'aide d'un encodeur BiLSTM. Ensuite, nous effectuons le couplage des deux phrases encodées dans deux directions : $P \rightarrow Q$P→Q et $P \leftarrow Q$P←Q. Dans chaque direction de couplage, chaque étape temporelle d'une phrase est comparée à toutes les étapes temporelles de l'autre phrase sous plusieurs angles. Ensuite, une autre couche BiLSTM est utilisée pour agrégater les résultats du couplage en un vecteur de correspondance de longueur fixe. Enfin, sur la base du vecteur de correspondance, la décision est prise par une couche entièrement connectée. Nous évaluons notre modèle sur trois tâches : l'identification de paraphrases, l'inférence en langage naturel et la sélection de phrases réponses. Les résultats expérimentaux sur des jeux de données de référence standard montrent que notre modèle atteint des performances au niveau de l'état de l'art pour toutes les tâches.