随着现代互联网的高速发展,人们每天所接触以及处理的信息量也随之井喷式增长,但是在浩如烟海的信息空间里,哪些才是我们所需要的资源呢?为了处理好这一问题,搜索引擎应运而生,它的出现极大方便了人们对信息资源的初步筛选,从而进一步找到自己需要的有效信息。但在其几十年的发展历程中也慢慢暴露除了一些问题:搜索引擎所反馈的搜索结果并不能很好的匹配人们的查询意图、查询结果太过冗余导致用户需要再花额外的时间去甄选真正对自己有用的信息等。所以人们希望能出现一种更为高效简洁、有别于传统搜索引擎的新的信息获取方式。问答系统正好满足了人们的新需求,它可以接受自然语言形式的输入,并反馈给用户相比于传统搜索引擎更为准确简洁的答案,这种新的信息检索模式深受大众青睐并慢慢成为自然语言处理领域的研究热点。本文主要研究基于深度学习中神经网络的问答系统中的答案抽取部分,即用户通过自然语言输入的问题与候选答案的集合进行匹配,从中选出最合适的一条或者多条答案。其本质是问题与答案的匹配。与传统搜索引擎所采用的布尔模型、基于句法分析等模型不同,本文选择了一套基于深度学习中神经网络的答案抽取模型,利用该模型将输入的问题文本与候选答案集合进行向量化处理,在向量空间层面进行匹配计算,并得到最后的结果。本文在开源数据集上测试了相关模型的准确率,包括以词袋模型为代表的传统语言模型和基于神经网络的模型。实验表明在外部语言工具相同的情况下,基于神经网络的语言模型有更好的效果。在答案抽取框架的语句建模方面,现有的神经网络语言模型虽然能很好的处理来自输入问题文本与答案文本的向量集合,但这个处理过程对于问题和答案来说分开进行的,并有没有考虑问题与答案的交互性,会导致部分特征丢失。本文提出了一种基于语义层面的计算方法,旨在计算输入文本与答案文本之间的词项依存关联,即语义相似度,并结合深度学习中的其他技术,从而丰富建模特征。实验结果也证明本文提出的这种方式与神经网络的结合,在最后的模型准确率上会比传统方案更高。