随着计算机技术的快速发展,人们可以从海量信息中获得自己想要的目标信息,这和传统的基于关键词搜索相比,问答系统可以更好的满足人们得检索需求。而在问答系统中问题分析是基础,可在问题分析中问题分类模块又是根基。因为对问句进行分类可以缩减答案的候选空间和缩小答案的查找时间,并且问题分类的好坏决定整个问答系统的整体性能和质量,所以在问答系统中如果对人们所提出的自然语言问句进行处理,能够让机器理解人类的语言,并且对问句进行挖掘分析,最终给人类提供最想要的答案。问答系统是自然语言处理领域的重要研究方向。系统主要任务是将用户提问与知识库里的问题进行匹配,然后给用户提供精准的问答反馈信息。目前售后服务逐渐成为许多企业核心部门之一,企业客服的规模随着服务用户的增长而不断扩大,而且高效实用的自动问答系统的普及有助于解放大量的人力资源。本文提出了基于词向量的中文问句分类方法和基于动态多池化卷化积神经网络中文问句分类方法。首先利用word2vec工具来自动学习和提取特征向量,采用低维度向量空间的表示方法,则可以解决因维数稀疏而造成的维数灾难问题,同时也可以挖掘词与词之间的关联属性问题,这样做可以提高向量语义上的准确度,同时也降低了模型的复杂度。接着把训练所得的分布式词向量用于初始化DMCNN的输入层,进一步提取特征,训练出基于该网络的分类模型,再使用分类器对输入的问句进行分类。实验比较了传统机器学习算法与深度学习随机生成向量的卷积神经网络模型,最终通过实验得出本方法在中文问句分类正确率上有所提高。