作为自然语言处理领域的一个子任务,问题生成致力于从给定的上下文和答案中自动生成自然语言形式的问题,该问题以给定上下文为依托,以指定答案为正确回答。近年来,随着深度学习技术的发展,应用神经网络自动化、大规模生成高质量问题成为可能,问题生成技术也逐渐受到越来越多自然语言处理学者的关注,成为热门研究领域。本文研究如何通过有效利用文本语言学特征,如命名实体识别（NER）,词性标注等,提升问题生成质量。传统基于神经网络的问题生成系统通常基于经典的序列到序列（Sequence-to-Sequence）框架,并融入注意力机制（Attention Mechanism）、复制机制（Copy Mechanism）等。它们使用传统词嵌入的方法,将文本语言学特征用一个可训练的向量矩阵表示。这种表征方式并不能帮助模型有效利用内涵丰富的文本语言学特征。为解决该问题,本文提出一种基于预训练模型的深层语言学特征表示方法。具体来说,我们通过把预训练模型在多种自然语言处理任务上进行微调,得到一系列语言特征表征器。这些表征器能够产生针对不同语言学特征的表征向量。接着,我们把表征向量融合到序列到序列的模型中,使得模型在构造问题时能够充分利用深层语言学特征。除此之外,本文还针对自动问题生成领域,提出一种全新的文本语言学特征QAF（Question Answering Feature）。该特征能够提供与问答相关的信息,辅助问题生成器生成可回答性高的自然语言问题。为了验证方法的有效性,本文在两个最常用的问题生成数据集,SQu AD和MS-MARCO上,进行了大量实验。实验结果表明,我们的深层语言学表征方法能够帮助基础问题生成模型在SQu AD上提升17.2%的BLEU-4值,在MSMARCO上提高6.2%的BLEU-4值,从而超越现有最先进的（state-of-the-art）模型。另外,本文进行了大量案例研究（case study）,分析深层语言学特征表示对生成问题质量的提升。最后,本文还提出一种通用的基于数据划分的模型表现上下界探测方法,该方法能够预测模型在同一数据集上最好最坏表现,从而帮助研究人员更全面的了解模型。