如今以自然语言回答为特点的自动问答系统已经成为服务人类的重要的人机交互方式。非完备信息博弈游戏如竞技麻将,有着巨大的玩家基础,玩家在进行博弈游戏的时候,需要事先了解大量的博弈知识,玩家在互联网上进行搜索,却无法快速得到准确的知识。针对这一问题,本文对非完备信息博弈领域的自动问答系统进行研究,构建了融入深度学习技术的非完备信息博弈问答系统。旨在满足玩家的学习需求,起到辅助决策的作用,提升玩家的博弈游戏体验,同时可以为基于深度学习的问答系统应用于其他类似需求场景提供借鉴。本文完成的工作可以分为以下几个部分:（1）目前在非完备信息博弈领域还没有公开的知识库和数据集,本文通过竞技麻将爱好者论坛,教学书籍,百度百科等多种方式,基于Scrapy爬虫框架,获取非完备信息博弈领域语料。采用基于特殊标注策略的联合知识抽取方法,在人工标注数据的基础上,使用基于BERT-Bi LSTM-CRF的端对端联合抽取模型来挖掘非结构化和半结构化文本中的三元组知识。并且通过人工规则审核后,存储在图数据库Neo4j中,并且同时为了弥补结构化知识的局限性,本文还构建了麻将领域问答对数据集,采用人工规则自动化地构建了用于训练深度语义匹配模型的正负例数据集。（2）设计基于结构化知识的非完备信息博弈问答方案。将问答分为了实体链指和关系检测两个子任务,在实体链指模块,使用基于BERT微调的序列标注模型高效地实现对非完备信息博弈领域实体词的识别。在关系检测模块,使用基于深度残差机制和多粒度注意力机制的关系检测模型。模型利用注意力机制来对问句模式和关系表示进行多粒度建模,并且采用残差机制来加强模型的可训练性。本文分别在公共数据集和竞技麻将知识库上进行了关系检测任务的研究实验,在竞技麻将知识库上,本文使用的模型取得了96.77%的最高准确率。（3）设计基于问答对知识的非完备信息博弈问答方案。将问答任务抽象为语义匹配问题,使用基于BERT预训练词向量和双向注意力机制的深度语义匹配模型。模型在嵌入层使用BERT预训练词向量,并且采用双向池化注意力机制来分别提取注意力矩阵行列方向的特征。在麻将问答对数据集和开放数据集上进行答案选择和释义识别任务的研究实验,与主流模型对比分析,证明了本文模型应用于非完备信息博弈领域问答对知识问答中的可行性和优越性。（4）整合结构化和问答对方案问答算法,实现基于深度学习方案的非完备信息博弈问答系统,系统算法采用了python语言和keras深度学习框架,并使用基于C/S模式的架构设计,在客户端接收用户问题,在服务端进行问题解析和答案检索,并在前端安卓APP上展示答案,最终经过人工测试,回答准确率达到了78.3%。