随着深度学习在人工智能领域的大幅发展,自然语言处理也得到长足的进步。其中,命名实体识别、自动问答系统等自然语言处理任务也开始大面积的普及和应用。自动问答技术的相关研究也已经深入到问句语义理解的层面,其中问句分析技术对问答系统的准确性起着重要作用,而命名实体识别在对话生成、关系抽取、信息检索等任务中起着基础支撑作用。问句分析作为问答系统的初始环节,能否正确理解问句会影响到后续任务的好坏。问句分类能够对系统提供较为重要的数据信息,这些信息对于帮助用户找到想要的答案至关重要。当前的问句分类体系尚未制定一个统一的标准,大多数研究者采用的是以答案类型为导向的分类体系,该种分类体系具有较易构建、分类粒度较为细致、类别覆盖范围广泛等特点。目前,问句分析问句特征提取研究已取得了较大的进展,但仍有一些问题亟待解决,如:对单一特征进行分类的精度不高、分类效果欠佳等等。这些问题导致发展遇到瓶颈,无法满足当前智能信息处理应用需求。以往的研究中,问句分析研究集中于基于机器学习的方法,问句中的特征依靠人工提取或者问题的表示组合自某几个特征,其问句表示具有主观性和多样性,无法精准表示;而基于深度学习的方法在学习能力上有较强的自适应性,容错率相对较高,具有较强的抵抗大规模数据集中噪声等复杂问题的能力。在问句分析上使用深度学习方法分析和学习句子中的语义信息特征,更好地增强问句分类的性能。本文使用基于深度学习的命名实体识别结合语义相似度计算方法,研究自动问答中的问句分析技术及其准确率表现,并构建和对比了基于不同提取语义方法的自动问答技术的准确度。本文以融合语义信息为切入点进行分析,主要工作有以下三个方面:（1）构建基于BERT-Bi-LSTM-CRF的命名实体识别优化模型构建并训练了基于条件随机场的命名实体识别模型,初步验证了条件随机场的模型性能。接着采用结合双向长短时（Bi-LSTM）和条件随机场的实体标注策略。模型训练时结合前后序列的信息特征,对序列路径进行归一化处理,对比分析了两种模型的标注性能。最后,实现了一种融合多模型策略的命名实体识别方法,将深度学习中的BERT技术加入到传统模型中,作为语义编码层来提升命名实体识别模型的准确度。（2）构建了基于语义相似度计算的问句分析方法利用BERT模型可以融合问句前后语义信息特征,将BERT作为词向量编码层输出问句向量,使用遮蔽语言模型（Masked Language Model,MLM）任务解决单向局限,使用下句预测（Next Sentence Prediction,NSP）任务学习句子与句子之间的关系,之后对问句向量做相似度计算,并通过对比不同词向量池化方法对模型性能准确度的影响,确定一种基于BERT的语义相似度计算模型作为问句分析中相似度计算的模型。（3）设计了融合语义信息的问句分析模型引入模块化融合技术,设计了一种分步骤、模块化的问句分析模型。本章研究了融合模式下融合语义特征问句分析的性能,将分别设计和训练的命名实体识别模块和语义相似度模块融合,做到高效率、低耦合。模型中融入语义信息,提升问句分析的性能,并与其他基于不同方法的问句分析模型作对比。实验结果表明,融合了语义信息的问句分析模型在性能等各方面都有所提升,在MRR上对比分别提升了2到5个百分点,有效提升了问句分析的整体性能。