随着网络与信息技术的飞速发展,数据量呈现爆炸式的增长趋势。人们希望在大量数据信息中快速、准确地寻找出自己所需问题的答案。在此前提下,智能问答系统为了满足人们及时获取有用信息的需求而快速发展起来,具有巨大实际应用价值。语义相似度计算是智能问答系统中一个非常基础而关键的问题,长期以来一直是人们研究的热点和难点。但由于中文口语化以及词语组合灵活多变等特性导致语义相似度计算的结果一直很差,这极大的限制了问答系统的发展。针对以上问题,本文进行了相关内容的研究,主要研究内容和创新点归纳如下:（1）针对智能问答系统中语义相似度计算准确率较低的问题,本文采用一种基于依存句法分析与向量空间模型的语义相似度算法。本算法首先建立以谓语动词为中心的依存句法树,获取句子的结构信息。然后结合向量空间模型,将句子分词获得的词序列映射到固定维数的向量空间中,最终使用余弦相似度计算公式获得两个句子间的语义相似度。实验结果表明,本文提出的方法能够对句子语义相似度计算起到一定的改进作用。（2）针对向量空间模型出现的维度灾难以及词语语义分裂问题,本文引入了Word2vec模型,并结合中文文本特点提出了一种基于Word2vec的字词向量融合语义相似度算法。该算法首先使用Word2vec训练获得固定维度的字向量与词向量,然后结合实际场景句子文本,将字向量与词向量进行浅层融合。实验结果表明,该算法可以有效提高语义相似度计算的准确率,进而提高问答系统的性能。（3）针对Word2vec无法获取句子层次语义信息的问题,提出了一种融合深度学习模型框架的语义相似度算法。首先,该算法利用Siamese Network框架建立两个相同且共享权值的网络结构对句子进行双向序列编码,融合句子包含词语的顺序信息。然后引入Google最新提出的自注意力机制,获取句子词语之间的语义信息关联。最后利用Compare-Aggregate框架提出的向量的运算,获得词语向量每一维度的语义差异性。经过实验测试,本方法在样本一中获得了高达82.35%的F值。（4）在智能问答系统的文本语义相似度算法研究的基础上,设计了一套面向家电客服的智能问答系统。涵盖了智能终端设计、通信协议设计、服务器端设计、数据库设计等内容。