随着深度学习技术不断进步,在智能自然语言处理领域的应用也越来越普遍,智能自然语言问答处理系统是智能语言处理领域的一项重要成果,逐渐发展壮大。但是现有的各类智能自然语言问答处理系统,仍然普遍存在过度的依赖于特征分析工程和基于词频的统计特征等的问题,无法捕捉到自然语言文本的上下文相关信息。因此,针对以上的问题,本文将通过结合现有的深度学习方法与自注意力机制对智能问答系统的应用展开深入的研究,具体工作如下:（1）针对特征提取的问题,本文研究设计了一种基于自注意力机制的双向长短期记忆神经网络模型用于特征提取并广泛应用到各类智能问答咨询任务中。该神经网络模型通过分别加入三种"门"的神经网络结构,可以有效地解决传统的循环神经网络可能会遇到的梯度特征消失和梯度特征爆炸等问题;由于该神经网络模型在正反两个方向分别提取了特征,因此能够很好地解决特征提取上下文信息特征同时缺少上下文信息的问题。（2）本文的研究结果对比了几种经典的自注意力机制在问答任务上的应用效果。在深度学习面向智能问答的学习模型中,本文引入了一种性能较好的深度学习与自注意力机制相结合的方法。通过分析计算文本词汇序列中不同层次词汇的特征重要性及其分布的向量,将文本中词汇的重要特征信息直接融入应用到智能问答模型中。本文的深度学习模型在公开的数据集Insurance QA、Web QA的基础上进行了广泛的实验分析验证,结果表明,本文研究设计的基于深度学习与自注意力机制相结合的模型在基于问答学习任务上的应用效果优于其他基于深度学习的算法。（3）本文采用Tensorflow深度学习框架对文中的问答模型进行实现,采用Java Spring MVC架构等技术设计实现了一套维护成本低、部署方便的智能问答系统。