随着互联网的日益普及,问答社区(Community-Based Question Answering,CQA)已经成为用户信息获取与知识分享的重要平台。然而问答社区中大量的答案资源存在冗余度大、可信度低、不完整等质量问题。这些问题导致答案资源不能直接分享和再利用。虽然近年来对答案摘要和答案质量评价做了很多研究,但对其中答案不唯一的开放类问题的研究仍然不足。本文通过研究答案关键词获取和质量评价,在一定程度上解决开放类问题的答案片面、不完整等问题,从而提高答案获取质量,增加人们获取信息的效率。论文提出了一种基于多特征的跨领域的答案关键词提取算法,该算法综合了LDA主题模型、语义资源、统计特征以及上下文特征。首先使用主题模型获取领域种子关键词,然后通过两种方法对种子关键词进行扩充:上下文和同义词词典。与传统关键词获取和扩充方法相比,该算法得到的关键词规模和准确率都有一定程度提高。论文提出了一种基于语义的答案质量评价算法。首先利用领域关键词对答案进行过滤,然后使用卷积神经网络进行训练得到评价模型,最后使用该模型进行答案质量测试。通过“知乎”数据集的实验分析表明,与传统答案质量评价方法相比,本文算法的准确率有了明显提高。