随着互联网和社会经济的迅速发展,人们面临的法律问题越来越多样化、复杂化,因此法律咨询业务的推进对社会的发展而言,有着非常重要的价值。然而,律师相关的咨询业务在现实开展过程中还是面临各种各样的窘境,比如:发展速度慢,律师咨询业务创收较低,聘请率低下,律师业务水平不足等诸多问题。因此,借助大数据和深度学习的方法,建立自动化民事纠纷问答模型具有较高的学术价值与应用价值。民事纠纷问答面临的难点为专业领域性强、数据繁杂不一。现实生活中的民事纠纷往往具有多样性,大多数问句存在着长短不一、特征分散、种类繁多的难点,使得机器模型难以理解问题的意图类别。当前的法律问答系统多采用的简单深度模型,忽视了生活中的常识知识。因此,本文结合预训练模型BERT,对民事纠纷问答进行研究,主要研究成果包括:（1）构建了面向民事纠纷的问答数据集。采用爬虫技术从专业的法律咨询网站获得了民事纠纷的问题和答案来构建问答数据集。（2）提出了结合BERT与多尺度CNN的民事纠纷问句意图分类模型。该模型采用BERT对问句进行语义编码和语义补充,设计多尺度卷积层Text Inception进行特征提取,将不同尺度的问句特征进行拼接,输入到分类层对问句进行分类。实验结果表明,该模型在中文民事纠纷问句数据集上取得了较好的结果。（3）提出了融合BERT与案件问题多头自注意力的民事问答模型。该模型采用BERT对法律案例和问题进行编码,并融合问句的多头自注意力表示,来关注问句的重点信息。通过双向GRU学习上下文的语义信息,将得到的特征向量输入到分类层进行预测答案。实验结果表明,该模型能够有效提升问题答案的准确率和F1值。（4）提出了结合BERT与CBAM的民事纠纷答案选择模型。该模型采用BERT表示民事纠纷的问题和答案的语义特征,设计多通道注意力卷积层来进一步提取局部特征信息和重点信息,输入到分类层进行预测正确的答案。实验结果表明,该模型能够有效提升答案选择的MAP和MRR值。