开放域文本问答是自然语言处理（NLP）中一个具有挑战性的任务,基于维基百科等语料库,对于给定问题,通过信息检索和文本处理,给出由词语或短句构成的答案,相关技术近年来成为学术研究的热点。本文基于深度学习神经网络模型,对基于事实类型问题的开放域文本问答任务进行了研究,概括而言包含两方面的创新点:首先,文本问答系统排序模型通过计算问题与候选段落的相关性得分进行排序,现有模型方法存在两个问题:（1）模型的搭建以词嵌入为基础,语句层级语义融合程度不足;（2）模型在计算生成段落表示向量时方法过于简单,造成语句权重信息丢失。针对以上问题,本文提出一种基于句向量编码的语义匹配排序模型（SBSMR）,能有效提升排序模型的性能。其基本思路是:（1）以句向量编码替换词嵌入表示,在语句层级强化自身上下文语义信息融合和问题信息交互;（2）创新段落表示向量生成函数,综合考虑段落内不同语句在语义表达上的权重差。实验结果表明,提出的方法能有效解决现有排序模型中存在的两个问题。在问答公开数据集Quasar-T和SearchQA上,SBSMR排序模型分别取得了 11%和17%的召回率性能提升。此外,论文以SBSMR模型为基础,搭建问答系统框架,在两个数据集上分别取得了 14%和24.4%的整体性能提升。其次,现有排序模型和问答系统预测时消耗时间长、所需内存大,本文提出通过压缩句向量维度的方式减小内存消耗,同时尽可能减少性能下降。现有的压缩降维方法存在两个问题:（1）神经网络压缩模型在压缩幅度较大时存在明显的性能下降;（2）传统的降维方法忽略上下文语义,造成信息缺失,导致性能下降。针对以上问题,文本提出一种融合神经网络压缩模型和传统降维方法的两级编码压缩方法。其基本思路是首先使用神经网络压缩模型进行一级压缩,融合语义信息,将句向量压缩至中间维度;其次使用主成分分析降维方法进行二级压缩,加大压缩幅度,将句向量压缩至最终维度。实验结果表明,提出的方法能有效解决现有排序模型中存在的两个问题。将句向量压缩至原始维度的12.5%时,在Quasar-T数据集上SBSMR排序模型可以保持95%以上的性能。同时,在SentEval句向量编码能力评测数据集上,两级编码压缩方法也取得了较好的整体性能。