互联网是信息传递的重要媒介,互联网的极速发展促使互联网上累积了海量的数据,如何从海量数据中快速准确获取有价值的信息对传统搜索引擎提出了巨大挑战。问答系统本质上是一种更加智能化的搜索引擎,问答系统能够从自然语言形式的问句中获取用户需求,并根据用户需求寻找准确简洁的答案。问答系统智能高效的特点使其成为近年来的热门研究课题。问题分类,也称之为答案类型检测,是问答系统的关键模块之一,对问答系统的最终结果具有很大影响。问题分类准确率的提高,对问答系统正确理解用户需求、检索准确且简洁的答案具有极为重要的意义。近年来,深度学习发展迅速,为问答系统中的问题分类任务贡献了新思路。但是,迄今大多数的中文问题分类研究均是基于朴素贝叶斯和支持向量机(SVM)等传统机器学习方法,基于深度学习方法的中文问题分类研究依然比较匮乏。于是本文根据传统机器学习算法在问题分类任务上的局限和中文问题分类的特点,研究如何使用基于深度学习方法去完成中文问题的分类任务。主要的研究工作如下:第一、对HIT-IRLab中文问题分类数据集进行了统计和分析,发现该数据集各类别问句数量分布不均。针对该问题,本文提取NLPCC2017中文问答数据集中的问句,利用人工标注和机器标注相结合的方式,补充HIT-IRLab中文问题分类数据集,使各大类问句数量分布比较均衡。第二、本文研究了中文问句的分布式表示方法。研究发现:分词软件无法保证分词完全正确,且问句中存在未登录词;单独使用词向量不能避免分词误差和未登录词对问句语义表示的影响;而且,字和词在汉语的表示中都有重要意义。于是本文提出使用词向量与字符向量共同表示问句。第三、针对中文问题分类的特点,本文设计了一种能够融合问句字符向量和词向量表征的CW-BLSTM-CNN神经网络模型,该模型结合了 BLSTM和CNN的特点,能更好的捕获中文问句的语义信息。本文模型在补充之后的HIT-IRLab中文问题分类数据集上精准率达到94.28%,优于传统机器学习方法和常用的深度学习方法。