自动问答,旨在让机器通过检索、语义分析、自然语言理解等步骤,对自然语言问题进行自动作答。其中的开放域问答,所提问题多为通用问题,回答问题所需的资源不限定领域,更符合人们的问答习惯。近年来,随着神经机器阅读理解技术的发展,机器对自然语言理解方面的进步突飞猛进。由于机器阅读理解和开放域问答存在共通性,所以可以利用神经机器阅读理解的方法解决开放域问答问题,但是由于中文文本开放域问答任务自身特性,其中又存在着困难与挑战:中文中难以避免的分词错误会造成误差传递,影响下游任务;开放域情境下,一个问题对应海量文章,如何找到与问题最相关的文章并预测答案;连续提问问题答案在开放域情境下可能出现在多篇不同的文章中,如何对连续提问的多个问题都给出正确的答案。针对上述困难与挑战,本文提出了如下方法:（1）提出了更适合中文的文本表示技术,在问题和文章表示建模过程中引入基于上下文的动态词向量,可以更为有效的编码中文长文本中上下文信息,利用上下文信息可以在一定程度上缓解中文文本开放域问答任务中错误分词对下游任务的影响。（2）在对现有神经机器阅读理解相关技术进行全面而细致的综述后,归纳了模型基本框架,梳理了常用的深度学习方法,并在此基础上提出了基于循环神经网络和自注意力的机器阅读理解模型,该模型结构更为精简,与其他神经机器阅读理解模型相比,不仅训练参数更少、训练推断所需时间少,而且答案预测准确率更高。（3）为了利用神经机器阅读理解方法解决开放域问答任务,对机器阅读理解模型进行了扩展,提出了文章筛选与答案预测相结合的方法和“多问题拆分+启发式指代消解”方法,在开放域场景中,扩展后的模型不仅能高效召回与问题最为相关的文章并从中抽取出问题答案,还能对连续提问中的多个问题都给出高质量回答。