答案选择作为智能问答领域的一项重要子任务,旨在于从几个候选答案中选择出正确的答案。传统基于统计学习的方法主要依靠人工来提取问答对之间的语义相似特征并进行问答匹配,该类模型虽然取得一定的进展,但是在时间成本和性能上还无法令人满意。而基于深度学习的方法相比之下则展现出较大的优势,因而成为目前的主流方法。基于上述背景,本文主要针对智能问答系统中的答案选择任务进行研究,提出相应的模型算法。本文的主要研究内容如下:1)现有的模型由于无法充分利用问答句的长距离语义依赖关系,因此存在语义信息和上下文信息丢失的问题,同时所引入的注意力机制在计算过程中只是分别计算每个句子的注意力权重或是计算表示单词对相互作用的匹配矩阵,因而无法充分获取问答对间的匹配特征。针对上述问题,提出融合多头注意力机制和交互注意力机制的混合神经网络HA-HNN（Attention-fusion Hybrid Neural Network for Answer Selection）。HA-HNN采用由卷积神经网络和双向长短期记忆网络组成的混合神经网络对输入句子进行建模,并且提出使用多头注意力机制和交互注意力机制用于在特征提取过程中影响问答句的特征表示,多头注意力机制能够对问题和答案语句中的关键部分给予更多的关注,从而减少噪声词的干扰,而交互注意力机制能够在问题和答案表示中融合问答对之间的相似性信息。实验结果表明,HA-HNN能够有效提高答案选择性能。2)上述模型在语义信息和上下文信息的获取上已经取得了较好的性能,但仍然难以获取文本句子中的词语在不同语境中的精确语义表示,而知识库中的信息作为重要的背景知识有助于获取句子中词语的精确表示,且能够帮助弥合问题与答案之间的语义鸿沟,因此提出结合文本和知识表示的Transformer神经网络CKR-RTNN（Joint Modeling of Context and Knowledge Representation for Answer Selection with Recurrent Transformer Neural Network）。在模型的文本表征学习层中通过融合双向长短期记忆网络到Transformer网络中来更好地获取问答对中的长距离特征;在知识表征学习层中通过采用文本指导注意力机制利用问答对的文本信息帮助获取知识实体的精确表示,同时通过注意力交互获取问题与答案的知识表征之间的交互特征。最终融合来自文本和知识库中问题与答案的特征表示得到问答对的细粒度语义特征表示。实验结果表明,CKR-RTNN获得了优于基准模型的性能表现。