医疗领域一直是信息化发展的重要方向,随着医疗信息化的跃进式发展,医疗数据的类型和规模呈现出一种井喷式的增长,数据爆炸让医疗领域正在一步一步步入大数据时代。但是,搜索引擎会返回一系列相关结果,没有考虑不同习惯和兴趣的人们的需求差异性。相较于传统的搜索引擎只能反馈给用户一系列相关文档,问答系统能够使用户以自然语言输入问题,并且反馈给用户一个简洁、准确的答案,而不是一系列相关文档,这表明和传统的搜索引擎相比,问答系统更加方便、准确,由此可见,问答系统在医疗领域是一个迫切的需求。通过对医疗问答语料的分析我们可以看出医疗问答语料的类别标签存在着层次化的特点,这就为下一步答案生成带来了挑战。因此论文将医疗问答语料的问题分类和答案生成做为论文的主要研究点,提出了基于层次化多标签的医疗问句分类方法和基于相似问答集的自动文摘医疗问答答案生成方法。具体如下:针对医疗问题以树状结构构建,并且在标签分布上存在着不平衡的现象,即叶子节点中在某些标签下的样本较多而另一些标签下的样本则很少,在高层节点下虽然也存在着标签分布不均衡的现象但是总体样本数目还是较大的特点。本文结合深度学习和传统机器各自的优点,设计了基于混合神经网络模型的层次化分类模型。在高层节点部分,本文使用词向量矩阵构成的问题文本作为输入,使用卷积神经网络(Convolutional Neural Networks,CNN)结合深度信念网络(Deep Belief Network,DBN)作为高层节点的分类器以保持高层节点之间的依赖性。针对医疗问答中叶子节点中在某些标签下的样本较多而另一些标签下的样本较少的特点,本文使用支持向量机(Support Vector Machine,SVM)作为底层节点的分类器。实验表明本文所提出的方法相较于简单的CNN,SVM堆叠模型在层次多标签分类问题上有着较优的表现。针对医疗自动问答中用户以自然语言提出的问题句式结构复杂并且存在多种语义的特点,本文提出了基于相似问答集的自动文摘答案生成方法,该方法计算问题文本的主题概率向量后计算问题文本间相似度。获取由与用户问题相似的问答对的答案构成的原始答案集后,利用改进的基于编码-解码结构的序列到序列学习模型(sequence to sequence,seq2seq)对原始答案集进行摘要生成答案句。实验表明本文的模型在自动问答答案生成的准确度上有一定程度的提高。最后,设计并实现了医疗自动问答系统,同时将论文所提出的基于层次化多标签的医疗问题分类技术和基于自动文摘的医疗问答答案生成技术集成到自动问答系统中。