财务领域的知识体系复杂庞大,相关政策更新迭代速度频繁,人们日常办理财务业务可能会遇到各种各样的问题,因此需要准确高效的获取财务领域的知识。传统的方式是拨打咨询热线,但当咨询量大、线路繁忙时,用户不能及时的获取知识。随着互联网的快速发展,财务知识的获取大多来源于网络,但财务领域知识具有专业性高、私密性强等特点。用户通过网上搜索的方式难以真正的获取到有效的信息。为解决以上提出的问题,本文结合深度学习、文本向量生成和特征提取等技术,设计一种针对财务领域的问答系统。该系统可以24小时不间断的为用户高效的答疑解惑,同时提供友好的人机交互体验。在系统设计上,本文从财务问答的业需求出发,划分问答系统为文本预处理模块、文本匹配模块、问答库管理模块、历史对话管理模块、热点问题分析模块和人工服务模块,并制定业务流程来协调各功能模块,保证不同模块之间有条不紊的交互。系统使用三层架构设计,层与层之间的功能相互独立。在系统实现上,本文完成了后台的业务逻辑,并对前端界面进行展示。文本匹配模块是问答系统的核心部分,本文设计了一种孪生神经网络结构来计算文本之间的相似度。孪生神经网络有两个相同的子网络,分别处理一段输入文本,得到各自的高维度空间表征,比较其相似程度作为文本相似度。首先每个子网络使用财务语料微调后的ALBERT（A Lite BERT）模型对输入文本进行编码。然后利用添加Attention机制的多层CNN（Convolutional Neural Network）来提取文本向量之间的匹配特征以及交互特征。最后将提取到的特征合并,通过Sigmoid层做归一化处理,将输出值作为两段文本的相似度。本文分别在公开数据集和财务数据集上对文本匹配模型进行对比实验,验证了基于ALBERT-CNN特征提取技术的孪生神经网络结构可以有效的计算文本之间的相似程度,同时财务问答系统的上线测试也表现出预期的应用价值。