近年来,随着深度学习技术的持续发展,问答系统、聊天机器人等智能产品也相继出现,问答系统因可以快速、准确的反馈给用户问题答案的集合而成为自然语言处理(NLP)领域研究的一大热点。问答系统分为多种类型,不同类型的问答系统对数据的处理方式各有不同。但根据数据的流动方式,问答系统大致可以分为三个部分,即语义理解,信息检索和答案生成。本文将问答系统的语义理解部分放在特定的出行领域,对用户出行领域的意图进行识别。针对于目前意图识别处理过程复杂并且耗时长的问题,本文引入浅层神经网络FastText模型对用户短文本出行领域进行研究,FastText浅层神经网络的主要创新点之一是引入了N-gram特征来解决词顺序丢失的难题,由于输入词序经过Ngram处理以后会产生大量无意义冗余的词,本文把经过N-gram处理后的词序列与词袋模型产生的词进行对比筛选,筛选后的词序列利用TF-IDF进行权重选择,生成保留词典。此外,针对短文本内容较少、特征稀疏等问题,本文引入LDA主题模型进行主题特征词选择,对保留词典进行特征扩充,从而提高意图识别的准确率。另外,由于计算机并不能直接理解语言文字,为了让计算机可以处理文本文字,需要将其转化为计算机能够识别的数据结构。本文在研究了汉字的构造结构与内部形态之后,提出了部首+偏旁+汉字的中文词向量模型,在CBOW模型的基础上结合汉语言文字的偏旁部首信息,对CBOW模型进行改进使其更适合于中文文本领域。最后,本文将短文本出行领域的意图识别模型应用于问答系统中,通过对出行领域文本进行识别来确定用户出行意图。经系统测试,出行意图模块在智能问答系统模块中平均识别准确率高达90%以上,为智能问答系统后期进行信息检索和答案生成做出了贡献。