近年来军事指挥信息系统的建设成果十分显著,但未来战争会存在更高要求的态势理解、快速决策等问题,这些都是系统智能化所面临的瓶颈。面对这一现状,同时考虑到信息化军事指挥决策带有的“人-机”特性,在军事指挥信息系统中通过智能人机交互帮助指挥员提高关键信息的获取能力、提升决策效率,是突破系统认知智能方面瓶颈的重要发展方向。以语音交互为主的人机交互形式能大幅度提升指挥员的作战态势感知能力和决策水平。此交互过程涉及到语音识别、语音合成、对话系统等诸多模块,目前语音识别和语音合成的理论和技术都较为成熟,且有相关工业产品面市。而对话系统的核心组成部分——自动问答是当前自然语言处理领域的前沿研究难点,对于辅助决策和提升交互效率起着至关重要的作用。自动问答（Question Answering）是指根据用户以自然语言的形式提出的问题,通过对问题的分析理解、检索等一系列操作,返回给用户一个准确的答案。传统的基于语法特征的方法解决自动问答问题存在几点不足:1)严重依赖句法分析,需要消耗大量人力物力;2)重视关键词匹配,而忽略语义层面的相似度;3)灵活性差,且抽取答案时会产生一定的信息损失。深度学习方法能够从原始文本中自动生成带语义信息的向量表示,避免了传统方法的上述缺点,可以有效处理自动问答问题。本文基于当下深度学习的前沿研究,对面向非结构化文档的军事领域自动问答任务中词向量模型构建和候选答案评估问题进行算法研究。针对当前主流的静态词向量模型,无法有效应对“一词多义”问题,本文提出了基于改进的动态词向量的自动问答算法（Question Answering method based on Improved Dynamic Word Embedding,QA-IDWE）。该算法采用改进的动态词向量模型来根据上下文语境动态地构建词向量,从而有效解决了“一词多义”问题,并使得所构建的词向量更具语义信息。但该算法在预测答案时仍存在答案错位、部分缺失、冗余等问题,为解决这一问题,本文提出了基于候选答案集-重排序的自动问答算法（Question Answering method based on Reranking Candidate Answers,QA-RCA）。该算法分两部分:候选答案抽取模块和候选答案集重排序模块。前者用于从原文中抽取答案来生成候选答案集;后者结合给定原文中的背景知识,计算候选答案与问题的匹配关系,以此来提高预测答案的准确性。典型数据集上的实验结果表明,本文所提出基于深度学习的自动问答方法能够通过构建更精准的词向量模型和更合理的答案生成模型,来提高模型整体性能。