随着经济的飞速发展,国人的生活水平迅速提高,人民对医疗健康领域话题的关注度日益增多。检索式医疗问答系统作为问答系统的子领域,可以根据用户提出的医学问题检索知识库,给出专业的医学答案,具有极其重要的研究与应用前景。典型的检索式问答系统主要包含召回模块与排序模块两个关键模块。在排序模块中,使用深度语义匹配模型对召回的数据重排序,深度语义匹配模型的性能直接影响到检索式问答系统的性能。因此,检索式问答系统深度语义匹配算法的研究具有重要的意义。当前,深度语义匹配领域的突破主要来自于BERT等预训练模型的改进与发展。但是,预训练模型仍存在很多不足,其具有模型参数多、推理速度慢等缺点。因此,本文以提高深度语义匹配模型的准确率与效率为目标,并结合知识蒸馏技术,构建同时具有高性能与更快模型推理速度的轻量级检索式问答深度语义匹配模型。本文的主要研究内容如下:构建双向深度编码语义匹配模型MBDE。MBDE模型主要由编码层、时间序列层与信息抽取层组成,编码层利用多层Transformer编码文本上下文信息,时间序列层利用Bi LSTM建模位置信息,信息抽取层利用最大池化抽取全局文本关键信息。最终,在准确率与F1-score两个指标上分别取得了90.93%与0.9038的实验结果,领先于BERT模型,且MBDE模型效率高、推理速度快、参数量少,推理耗时仅为BERT的28.9%,参数量仅为BERT的40.1%。构建基于MBDE模型的语义匹配知识蒸馏模型MBDE-small。MBDE模型性能优异、推理速度快、参数量少,但为了达到更快的线上响应时间,满足实时性的要求,需要进一步降低模型延迟,对模型进行压缩。因此,结合模型压缩中的知识蒸馏技术,将MBDE模型的Embedding层与输出层中学习到的医疗语义匹配知识迁移到一个更加轻量化的蒸馏模型MBDE-small中。由实验可知,MBDE-small模型在准确率与F1-score两个指标上分别取得了88.95%与0.8836的成绩,领先于基线模型。在模型推理速度上,快于MBDE模型,推理耗时相比MBDE降低331ms,模型参数量相比MBDE降低2.5M。构建医疗问答语料库与检索式医疗问答系统。基于开源的医疗问答数据,通过一系列预处理过程、手工提取过程,构建得到医疗问答语料库Medical-QA。然后,基于医疗问答语料库Medical-QA,依次实现预处理模块、意图识别模块、召回模块、排序模块等模块来构建检索式医疗问答系统。对于意图识别模块,在准确率指标上达到了0.951的实验结果。对于召回模块,在MRR指标上达到了0.48的实验结果。