随着互联网的高速发展,信息数据呈指数倍增长,如何有效利用这些信息成为人们关注的热点,随之自动问答系统步入人们的眼帘。自动问答系统依据内容所涉及的领域分为开放域及限定域两类。基于开放域的自动问答系统得到各行各业的广泛关注,取得一定的研究进展,但不可直接将其运用到限定域中,原因是限定域的知识专业性强,基于开放域的自动问答系统无法对其进行正确的判断与识别。因此,对于限定域自动问答系统的研究也是不可或缺的。基于限定域自动问答系统的关键环节是文本匹配及答案抽取,其本质是通过计算问答对间的相似度来对候选答案进行排序,并返回给用户相似度最高的答案。为了充分利用文本的语义信息,提高模型的准确性,本文做了以下工作:首先,构建数据库。从专业医疗平台爬取问答对,经过数据预处理,去除多余字符及不符合规定的查询及答案,构建医疗领域数据库,有效的解决专业知识不足的问题。其次,将卷积深度结构语义模型运用到医疗领域中。由于深度结构语义模型采用的词袋模型不能考虑到语法信息,将卷积神经网络与该模型结合,可以弥补深度结构语义模型不能考虑词的位置信息和语序信息的不足,使模型能够提取潜在语义信息。再次,提出了基于注意力机制和卷积深度结构语义模型的深度学习方法。在卷积深度结构语义模型的基础上,引入了注意力机制,使模型对文本信息更为敏感,能够忽视文本的无关信息而集中关注有效信息,扩大有效信息的权重,从而提高模型的准确性。最后,进行实验验证。对模型进行实验并对比分析实验数据,同时对模型进行模拟测试,验证模型的有效性。本文在自建数据集的基础上进行实验,发现基于注意力机制和卷积深度结构语义模型相较于深度结构语义模型,Acc、MRR等指标均得到提升,对模型进行模拟提问得到的返回答案也较为合理,多方面验证了该方法的有效性。