随着互联网的普及和快速发展,网上的信息量成爆炸式增长,如何在巨大的信息量中快速准确地搜索出我们需要的信息成为一个急需解决的问题。传统的搜索引擎返回的信息太过繁琐,已无法很好的满足用户需求。自动问答系统在传统搜索引擎的基础上融入了自然语言处理的知识,返回的答案更加精确、快速,能够更好的满足用户的检索需求。自动问答系统可以分为面向受限域的自动问答系统和面向开放域的自动问答系统。受限域问答系统只处理一个特定领域的问题,限制用户提出问题的范围,开放域问答系统则没有此限制,可以处理任何领域的问题,用户可以随意提问。但是,由于自然语言的复杂性,面向开放域的自动问答系统到目前为止性能不是很好,因而本文的系统是面向受限域的。另一方面,传统的面向受限域的自动问答系统选定领域后就无法更改,可重用性差,本文设计并实现了一个领域更换的方案,使得本文的系统可以更换领域,具备通用性。为提高自动问答系统中语句相似度计算的准确率,本文提出了一种新的基于向量空间模型的TextRank-RD算法。该算法根据词语是否在领域词典中、词语是否为名词、词位置三个因素来为节点进行初始赋值,采用按节点重要性分配权值的图模型而不是节点影响力均分的图模型。实验结果表明,该算法与基于向量空间模型的TF-IDF算法相比,提高了语句相似度计算的准确率,对提升自动问答系统效率具有重要意义。本文结合领域词典来提高分词效果,提出了一种新的语句相似度的计算方法,设计了一套Web信息抽取机制以及FAQ知识库更新机制,使得系统在面向受限域时能取得较好的效果并能随着时间推进而改进,同时通过管理员导入领域词典以及初始FAQ库的方式使得系统可以更换领域,具备通用性。