人工智能近年来发展迅速,以自然语言理解为目标的认知智能技术研究成为大家广泛关注的课题。为了让机器具备对自然语言的深入理解及推理能力,关键在于我们需要研究如何实现机器对语言的建模学习。本文从自然语言理解领域一个基础的句子自动答题任务出发,探索研究具备高精准和灵活的可扩展性的自动答题技术。自动答题旨在从给定的词语或短语集合中选择最佳的候选答案填在目标句子的合适位置,使目标句子具有正确的语法和完整的语义。现阶段的自动答题技术,仍然以传统的词语特征和语言模型等方法为代表,缺乏对各类信息的有效利用,答题系统效果较低。与此同时,近年来以深度学习为代表的技术在自然语言理解领域广泛应用,但真正将其高效应用于句子自动答题任务的工作较少,且无法在统一的深度学习框架下实现对词法、句法等各类信息的合理融合学习,方法的扩展性很差。本文正是从句子自动答题领域的技术研究现状入手,提出开展英语考试自动答题技术研究,并围绕多维度语义分析、深度语义建模、基于句法的深度语义建模以及深度语义信息融合等多个方面开展研究工作,具体包括:首先,研究基于多维度语义分析自动答题方法。在自动答题领域被广泛使用的传统语言模型和隐语义分析方法,只能建模短距离的单词依赖,无法对长距离依赖以及语法问题进行精准建模。针对上述问题,本文相应提出了自动固定搭配挖掘和动词时态预测的方法,在此基础上,设计多维度语义分析方法,该方法相比传统方法效果提升明显,有效提升了答题系统的问题解决能力。其次,研究基于深度学习语义建模答题方法。针对传统机器学习中存在的数据表达稀疏问题,本文将词嵌入表达引入到答题任务上。在此基础上,采用最新的深度学习框架,提出了基于排序学习的自动答题框架。进一步地,为了缓解词嵌入存在的语义不精确问题,本文创新性提出了对立语义的词嵌入增强模型,除了在公开的GRE对立语义数据集上取得最优效果,还在统一的深度学习技术框架中,成功应用于句子答题任务中,有效提升了答题效果。再次,研究结合句法结构信息的深度语义答题方法。针对传统的循环神经网络结构的句子语义建模方法无法刻画句子语法结构等信息,在实际系统构建中往往存在信息利用单一,语义建模不够精准的问题。近年来虽有面向如何对句法结构进行建模使用的研究工作,但都表现出效率低、扩展性差等问题。本文提出了基于序列化句法结构的句子语义建模方法,有效解决了句法信息的使用问题,并在答题任务大幅度提升了系统性能。该方法为后续的融合模型提供了重要支撑。最后,研究基于深度语义特征融合方法。该方法针对英语试题统一句子层面建模存在细节丢失的问题,提出了基于位置隐含状态信息的深度排序模型,同时结合本文前述提出的多种方法,构建形成一个统一的多源信息融合模型,并在实际自动答题任务中得到了最优的系统效果。