随着互联网的普及,网络用户不断增多,问答社区逐渐成为人们交流意见、分享知识的重要平台。但随着数据的不断积累,问答社区也面临着一些挑战。问答社区中存在大量已经被解决的问题,但仍有许多语义相似的问题被重复提出,这样就会造成内容冗余。同时问答社区中的一个问题下存在大量答案文本,仅依靠点赞数评论数等特征进行排序会导致一些高质量答案排序靠后,得不到足够关注。为了解决上述问题,本文主要进行问句检索与答案排序两方面的研究。针对问答社区中网络新词较多、语言表达较为随意的问题,提出融合主题模型与HNC理论对翻译模型进行改进的问句检索模型。首先利用问答社区中问题的话题标签与答案构建用于模型训练的高质量平行语料。然后针对社区中存在大量未登录词的问题,提出一种利用Synonyms近义词包自动补全词项HNC映射符号的方法。最后针对翻译模型中翻译概率容易出现偏差的不足,利用主题模型获取词项间的主题相似度,从外部语料层面降低翻译噪声,利用HNC理论对词项进行符号映射计算语义相似度,从内部语义层面提升翻译概率准确性。实验表明新提出的问句检索模型可以获得更好的检索效果。针对当前问答社区主要利用答案的非文本特征进行排序,忽略其所包含的语义信息的问题,提出融合语义与多特征的答案排序模型。首先利用HNC理论对传统TextRank算法进行改进,在算法的初始权值与边权重计算中充分考虑词项所包含的语义信息。然后将改进的算法用于提取答案文本关键词,在此基础上计算答案文本与关键词集合的语义相似度以衡量答案文本的语义重要性。最后融合语义重要性与多种可以反映答案质量的社区特征对答案文本进行综合排序。实验表明新提出的答案排序模型可以获得更好的排序效果。本文针对目前问答社区中存在的问答内容冗余和答案得不到有效排序的问题,分别提出了问句检索与答案排序的新方法,可以更好地对问答社区中的资源进行有效利用,提升用户的社区体验。