问题生成任务是指在给定一个段落和指定答案的情况下,逆向生成多角度的问题。问题生成任务具有广泛的应用性,已经成为自然语言处理领域内的研究热点之一。但是,传统的问题生成模型中存在很多问题。一方面,模型对长文本语义信息提取不足,无法获取丰富的信息特征;另一方面,模型在文本和答案的交互上欠缺,造成生成问题的语义偏离于文本和答案。针对以上问题,本文在基于LSTM的问题生成模型上进行改进。该模型的编码器和解码器均为LSTM模型,并且模型利用基于最大输出的复制机制和指针生成网络避免输入序列重复而造成输出序列复制重复词语的情况。基于以上模型架构,本文提出了一种融合丰富语言特征和双向注意力层的问题生成模型。模型通过扩充输入文本嵌入层信息,抽取深层次语义特征;另外,利用双向注意力层融合文本和答案信息。本文研究的主要内容分为以下两方面:（1）提出了一种基于丰富语言特征的词向量表示方法。即在嵌入层中通过融入义原外部知识的方法来捕捉比词向量更小粒度的语义知识,进而增强文本自身的语义表示,解决对长文本语义提取不足的问题。另外,通过余弦相似度算法得到推荐后的义原集合,补充了词表中无对应义原单词造成的“词义遗漏”问题,也解决了在义原集合中无关义原带来的“词义杂糅”问题。在嵌入层的文本端还通过加入答案位置信息使得模型得到以答案为导向的文本表示。（2）提出了一种基于变体双向注意力层的问题生成方法。即在文本和答案分别编码后,通过双向注意力层网络,得到答案感知的上下文表征向量。另外,该模型将文本端首先加入自注意力机制,捕捉长序列文本数据内部的语义相关性,获取文本中的重点信息,之后再与答案融合。该模型所提出的变体双向注意力层机制能够聚合答案信息并且有效避免模型在早期加权时造成的信息丢失问题。最后,通过大量的实验表明,本模型在SQu AD1.1数据集上的表现优于基线模型,并且可以生成更符合人类语言习惯的更高质量的问题。