随着社会进入web2.0时代,电脑技术迅速发展和普及,人们越来越多的利用网络来寻求帮助和知识分享,也越来越倾向使用简单快捷的方式来获取问题的解答,对计算机自然语言处理能力的要求越来越高。因此,国内外针对问答系统的研究越来越深入,然而目前问答系统解决的问题大多是吃穿住行之类的生活服务,在法律领域上的问答系统研究几乎是一片空白。本文针对中文法律数据进行问题分类和问答匹配的深入研究,旨在构造一个有着高精度的,开放免费的法律领域问答系统。本文主要有以下几方面的创新和贡献:首先,我们通过自己独立设计的爬虫以及购买等多种方式采集了大量法律文本,经过预处理之后构建了法律领域语料库,包括法律社区问答对,法律词典,法律法规库。其次,在法律问句分类上,我们使用TF-IDF和词向量作为特征,之后进行了算法实验和参数调整,提出fastText向量改进方式,最终在我们采集的法律问题集上实现了粗标签分类上95.75%的准确率,且平均每个问句的识别时间可以达到5.15ms。第三,在问答匹配上,我们充分利用深度学习的自我学习优势,并结合注意力机制,提出Attention-RCNN模型,并对其进行了描述以及实现。之后我们使用大量标注的法律问答对数据对模型进行训练,使用问句与候选答案之间的余弦相似度做LOSS函数。结合中文wiki百科以及采集到的法律文本数据训练了总词汇量达369766的词向量,模型最终达到61.33%的Top-1准确率,较之其它对比算法在语义匹配准确率上有所提高。据我们所知,本文所做的工作是这个有前途的领域的第一次尝试。