互联网时代是信息爆发的时代,传统的以人工客服为主的呼叫中心、客服中心因存在实时性差、规范性低、成本较高等诸多问题无法满足当今时代用户的需求。目前针对开放领域的智能问答系统如Siri、Cortana等虽然在开放问答领域有广泛且灵活的应用,但其无法满足限定领域比如某行业或是某公司的问答需求。所以针对限定领域的智能问答解决方案逐渐成为了研究的热点。本文围绕解决限定领域智能问答的背景和需求,对智能问答系统实现时所需要的相关技术方案进行研究,使用深度学习解决了问答系统的核心功能,并结合分布式的理论和思想解决了传统深度学习模型在生产环境中存在的可用性和性能问题,最终设计并开发完成了基于分布式的智能问答系统的搭建。本文的主要研究内容有:1.研究如何使用深度学习模型解决用户问题匹配知识库中相似标准问题。本文采用了基于卷积神经网络和循环神经网络的MC-BLSTM-MSCNN模型解决了用户问题分类问题,然后采用了词向量解决了相似问题匹配问题;2.研究如何解决迭代训练语料的标注和低成本高吞吐存储问题。本文提出了通过用户和人工客服在正常操作流程中无意识地对会话信息进行标注的方法解决了标注的问题,提出了将迭代训练语料存储于Kafka中的方案解决了存储的问题;3.研究如何分布式地调度延迟任务和Kafka集群的监控报警方案,设计了基于Zookeeper和延迟队列的分布式延迟任务调度框架和基于Kafka-manager和Zabbix的Kafka集群监控报警系统。本文从需求出发,将深度学习技术和分布式设计进行整合,最终设计实现了智能问答系统。基于以上关键技术方案的实现,本文完成了基于分布式的智能问答系统的设计与开发,该系统针对限定领域的问答需求,实现了用户问题预处理,相似问题匹配,问答统计分析,知识库管理等功能,根据用户问题匹配出知识库中存在的标准问题并给出相应的答案,为呼叫中心、客服中心降低人力成本、提高服务质量提供了先决条件。