问答系统在生活与工业中有着广泛的应用,比如智能客服、智能音箱等。但目前的问答系统大都是静态的,一旦训练并部署后,无法再进行知识更新,用户与问答系统的交互语料也没有得到充分利用。即使获得了交互预料,但由于深度神经网络的灾难性遗忘特性,直接使用获取的新交互语料数据训练模型,会导致模型在之前数据上的表现变差。针对以上问题,本文构建了持续学习问答系统框架,处理并存储用户交互信息,并提出了持续学习的关系抽取算法解决灾难性遗忘问题,同时提出对抗样本搜方法增强模型鲁棒性。本文的主要工作如下:从问答系统整体框架结构入手,本文提出了一种基于知识库的持续学习的问答系统框架。在问答系统中增加输入文本分类、问题生成等与用户反馈相关的模块,问答系统能适时向用户询问,并对用户的反馈进行处理,从用户答案中构建三元组和样本,三元组存入知识库,样本供训练模型使用。实验结果表明本文提出的持续学习问答系统可以通过交互信息提高系统表现,具有持续学习效果。问答系统要实现持续学习能力,除了需要持续学习的框架外,还需要组成问答系统的模型也具有持续学习能力。因为系统部署后会持续产生新的语料数据,系统中如关系预测模型等需要不断从新数据上学习以适应新的数据。如果在新数据上直接训练模型,模型会发生灾难性遗忘问题。针对该问题,本文提出了基于模型参数线性联通性的持续学习关系抽取算法。该算法在新任务数据上训练模型时,通过优化参数保证最终模型参数与训练前模型参数的线性路径上损失不增加,从而保证模型不会遗忘已学习的任务知识,实现持续学习。该算法另外使用回放样本与新任务数据一起间隔交替训练模型,巩固模型知识,减缓模型遗忘。在多个数据集上的实验结果表明,本文的持续学习关系抽取算法相比于其他持续学习关系抽取算法有更好的持续学习效果。部署后的持续学习问答系统虽然能持续获取语料数据,但单个任务对应的数据较为稀少。针对单个任务样本较少、训练模型不鲁棒的问题,本文提出了基于量子行为粒子群优化算法的对抗样本搜索算法。相比于其他对抗样本搜索算法,本文使用的量子行为粒子群优化算法有更好的全局搜索能力。本文算法先基于义原找到文本中每个词的替代词组成样本搜索空间。然后针对文本空间的离散性,对量子行为粒子群优化算法进行改进,使用改进的算法搜索样本,同时结合了变异操作引入随机性。多个数据集上的实验结果证明了本文算法在搜索对抗样本上的有效性,具体的案例分析直观地说明了本文算法得到的对抗样本有更好的质量。本文从持续学习问答系统结构框架、关系抽取模型算法、模型鲁棒性三个方面对持续学习的问答系统进行了研究。同时在相应的数据集上通过实验验证了有效性。本文的研究对问答系统的在真实场景下的应用有一定意义,但还需更多相关研究推动问答系统的进一步落地。