机器问答是自然语言处理领域当中一个前沿的研究方向,它的任务是要让计算机通过学习人类的自然语言（以文本为载体）,学会提出问题并回答问题。由于机器问答能够直接反映计算机理解自然语言的能力水平,所以近年来受到来自产业届和学术届的广泛关注。当前,基于人工智能的机器问答技术的发展推动着自然语言理解领域的研究进入了一个新的高度,成为最具有发展前景的研究方向之一。随着大数据时代的到来,信息的数量呈现出了爆炸式增长的趋势,伴随着人工智能和机器学习的浪潮,深度学习、强化学习等人工智能技术与自然语言处理领域开始深度融合,使得机器问答技术得到了快速的发展。虽然一些研究领域取得了令人瞩目的进展,但仍然存在很多挑战:1)当前基于序列到序列的问题生成模型存在误差累积的问题,导致模型性能下降;2)当前抽取式问答模型存在预测边界不准确的问题等情况。因此,为了应对上述挑战,本文聚焦问答技术的中的“怎么问”和“怎么答”两个方面对应的问题生成和答案抽取两个任务开展若干关键技术的研究与实证分析。本文的主要贡献总结如下:第一,针对序列到序列的问题生成模型误差累积的问题,提出一个基于强化学习的生成顺序重排序方法,提升了问题生成的语义准确度。该方法通过一个策略网络实现生成顺序的采样,利用策略梯度下降算法,将问题的准确度和定义的语义槽准确度作为回报值来更新网络,来学习较优的生成顺序来缓解文本生成过程中位置靠后的文本生成效果差的问题。同时针对强化学习的采样过程导致网络收敛抖动的问题,提出重生网络,通过向老师网络学习知识来指导学生网络的重训练,以达到更好的生成效果。此外,我们在提取被提问对象时,提出一个基于预训练模型进行微调的跨度实体抽取模型以提升其性能。该方法在预测跨度实体时利用对“难预测的”实体加权来缓解输出的正负样例不平衡的问题。在基准数据集上的实验显示,在被提问内容提取任务中,我们的模型对实体密度较大的数据集有明显的性能提升;在问题生成任务中,提出的重排序策略的应用对生成模型性能有很大提升,另外融合重生网络后,模型性能也有提升。第二,针对抽取式问答模型中答案预测不准的问题,提出了一种基于多任务学习的答案抽取模型,提高了答案预测的准确度。该方法将抽取式问答任务看成命名实体识别任务,其中问题为实体标签,输入的段落中的答案跨度为实体,将抽取式问答任务和命名实体识别任务同时训练,来加强对答案文本跨度的边界的监督。在基于多段落的抽取式科技文献问答数据集上的实验表明,该方法对答案抽取准确度的提升有效。