提问与回答是人们日常生活中十分常见并且非常重要的行为,随着科技和网络的日益发达,越来越多的人开始关注于如何让机器在海量的信息中自动捕获到自己需要的答案,在这种需求的驱动下,智能问答系统应运而生,并逐渐成为自然语言处理领域的热点课题之一。每当说起问答系统,人们往往会想到另一门技术——搜索引擎。搜索引擎大多是基于关键词的搜索,无法识别出句子的语义信息,并且无法将答案直接返回给用户,因此问答系统更加符合人们的日常需求。问答系统研究的关键是让计算机可以理解人所说话的含义,即识别出句子的语义信息。而目前已有的基于词库或者规则的问答系统都无法捕获这种语义信息,因此我们可以借助于深度学习来实现。深度学习是一种结构更为复杂的神经网络,典型的深度学习有卷积神经网络和循环神经网络两种,卷积神经网络可以提取句子的特征向量,循环神经网络可以理解句子的上下文信息,它们对句子的语义理解都有很大帮助。本文实现了针对吉林大学领域的校园问答系统,该系统的总体流程为:首先构建一个针对吉林大学的校园问答库,问答库中存放着许多问题和答案对;然后当用户提出问题时,计算该问题与问答库中的所有问题的语义相似度;最后将相似度最高的问题所对应的答案返回给用户,并向用户推荐相关的问题。其中,计算句子间的语义相似度是问答系统中最为关键的步骤,本文采用了深度学习的方法对句子语义相似度对其进行了深入的研究。基于深度学习理论,本文的主要工作如下:(1)研究了2种基于深度学习的句子语义相似度算法,分别是基于卷积神经网络相似度算法和基于循环神经网络的相似度算法;(2)通过将CNN和RNN的网络模型相结合,提出了一种基于全信息特征提取的相似度算法。该算法利用一个双向循环神经网络获取词语的上下文信息,并将其作为卷积神经网络的输入提取句子的特征向量,最后计算两个句向量的夹角余弦作为相似度;(3)为了构造用于相似度模型训练的中文语料库,本文制定了一套半自主的句子相似度标注规则,利用标准的相似度评分点,划分出各种典型的语义关系区间,提高了手工标注语料库时的效率和准确度;(4)将基于全信息特征提取的句子语义相似度算法应用在问答系统中,实现了针对吉林大学领域的校园问答系统,在回答与吉林大学相关的问题方面取得了不错的效果。