随着互联网的发展势头越来越强劲,人们在日常生活中也越来越依赖互联网技术,如何在庞大的数据量中精准而高效地获取到有用的信息也越来越重要,学术界和工业界也越多越多的聚焦在自然语言处理领域中的自动问答技术。然而,随着数据的爆发式增长,传统的自动问答技术已经无法满足人们希望智能的获取精准信息的要求,因此,越来越多的学者们利用词语的分布式表示技术和通过神经网络模型学习句子的抽象语义特征来解决这一问题。基于文档库的自动问答任务的核心目标是进行文本匹配和答案选择,其实质是通过计算问题与候选文档之间的相关度来选择与问题相匹配的答案,而如何将词汇和文本所蕴含的深层语义特征用向量更准确的表示出来是解决这一问题的关键,进而才能提高模型的准确率。本文为了提高文本匹配与答案选择模型的准确性,所做的主要工作如下:本文提出一种结合多元特征的自动问答模型,通过在词嵌入层添加问题答案对之间的重叠信息(Overlap),句子中的词语位置信息(Position),以及逆向文档频率(IDF)特征,使得词向量矩阵能够蕴含更多语义信息,对后续神经网络模型学习到更加丰富而精确的文本向量表示起到了提升作用。本文使用的是基于注意力机制的卷积神经网络模型,通过注意力机制对卷积层输出的问答对特征矩阵进行加权,可以在问答对之间建立联系,使得文本中的关键信息将会发挥更大的作用。另外使用不同大小的多种滤波器可以捕获到句子中不同长度的抽象语义特征并组合起来,可以使得卷积神经网络的答案选择准确率得到提高。本文在NLPCC 2016 DBQA的数据集上进行了实验验证,通过与传统方法和baseline进行对比,并且对本文所提的扩展特征进行了单一分析对比和组合分析验证,实验结果表明,本文所提模型的MAP、MRR等指标的结果都有一定程度的提高,进而可以证明上述方法的有效性。