随着互联网的发展，计算机要处理的文本信息越来越多。人们期望计算机能迅速、准确地理解他们的需求和返回精准的信息。传统的搜索引擎不能完全满足这种需求，而问答系统作为自然语言处理领域中的一个相当活跃的分支，它所研究的内容就是理解用户用自然语言提出的需求，进而在大规模的信息中自动地给出满足用户特定需求的准确答案。 问题分类是问答系统的一个重要模块。对系统而言，为了能够正确地回答问题，知道一个问题问什么，寻找什么样的答案是非常重要的。问题分类为问题回答系统理解用户的提问提供了重要信息和解决方案：首先，问题分类能有效地减少候选答案的搜索空间，提高系统返回答案的准确率；其次，问题分类提供的答案类型信息决定了答案抽取策略。 本文在基于支持向量机的问题分类模型上进行研究和改进，主要在以下两方面提出新的见解和方法：一是提出把三种语义信息(命名实体，语义类别和WordNet语义)加入到语法树的SVM分类器中，使分类结果的正确率有比较大的提高，分类结果准确率为94％，高于目前已有的算法的结果92.6％；二是针对前一种方法在运行效率上的不足，设计一个基于依赖树的核函数和算法，提出了计算依赖树的相似性子树算法要优于子集树的观点。此算法正确率达93.8％。最后展望现阶段的成果的扩展性，可以用到细问题分类和中文问题分类中。