现有的问答系统涵盖了模板方式、图查询方式、表示学习方式、深度学习方式,缺乏对复杂中文问句的语义理解。中文复杂问句有问句类型的多样性、问句实体的多态性、问句语义的模糊性三方面的复杂性,导致了问答系统在中文复杂问句方面表现不如人意。此外,中文复杂语句问答系统缺乏成熟的部署方案,人工标注、答案处理、系统的划分结构、需求变更导致的再次开发影响系统的成本、推理能力、鲁棒性、可迭代能力。为了解决上述问题,本文提出了复杂中文问答系统的设计与实现,基于分类模型处理中文问句类型的多样性,基于实体识别和实体消歧处理问句实体的多态性,基于知识图谱处理问句语义的模糊性。在解决问句复杂性的基础上构建问答系统,论文设计和实现了一个复杂问题中文问答系统及其部署方案。本文的主要研究点与贡献如下:（1）论文设计了深度学习模型解决复杂中文问题三方面的复杂性。论文提出了基于双向长短期记忆网络的问句分类模型,确定中文复杂问句的问句类型。论文提出了基于命名实体识别技术,抽取中文复杂问句的实体,利用命名字典生成候选实体,构建基于孪生网络模型,消除实体的二义性,生成中文问句的唯一实体。论文构建中文复杂问句的知识图谱,基于中文复杂问句类型和实体信息,生成中文问句的关系路径,生成中文问句的答案。（2）论文实现了一个复杂问题中文问答系统的原型系统,CCS-QA（Question Answering System for Chinese Complicated Statements）。在数据层,论文实现了一个实体识别及实体消歧的标注策略,来扩展和更新CCS-QA原型系统的数据;在模型功能层,论文实现了中文问句理解模块,查询知识图谱,映射中文问句的关系路径,生成答案;在接口层,论文实现了基于RESTful API接口,为第三方用户提供复杂问题中文问答服务;在应用层,论文实现了中文复杂问题的问答系统的部署。（3）本文通过原型系统和实验验证,评估整体系统性能。中文复杂问句分类方面,复杂问题中文问答系统到达了97.41%的F1值;在中文问句实体识别方面,我的中文问答系统达到了98.33%的准确率;在实体消歧方面,复杂问题中文问答系统到达了95.57%的F1值。本文所提出的原型系统,在整体系统性能方面,在数据集合NLPCC-2016,达到了83.65%的准确率。实验结果表明,本文的复杂问题中文问答系统具备可行性和有效性。