自动问答能够根据用户的问题,返回正确的答案,是自然语言处理领域的一个研究热点。至今为止,通用领域自动问答对于简单问题的回答已经达到了较高的准确率,而生物医学领域问答性能仍然有待提高。针对生物医学实体关系复杂、问题和答案对语义理解困难等问题,本文研究问题和答案对间的语义联系,以及基于专业知识的语义理解等生物医学问答关键问题。本文主要研究内容如下:（1）基于问答对语义挖掘的生物医学问答研究。生物医学问答模型需要从复杂的问答对中捕获问题和答案之间的语义联系。本文为全面捕获问答对的语义联系,提出多单元协同注意力机制。首先采用协同注意力机制,基于问题表示指导答案注意力,同时基于答案表示指导问题注意力,获得问答对的语义联系。然后引入多个平行的协同注意力机制,通过不同的协同注意力单元促进问答对的语义表示。在MEDIQA数据集上的实验表明,本文提出的多单元协同注意力机制能够深度挖掘问答对的语义联系,有效提升生物医学问答对分类性能。（2）基于领域知识选择的生物医学问答研究。生物医学文本实体多、实体关系复杂,有时根据上下文无法完全做到对语义的理解,需要一定的专业知识辅助。为引入生物医学领域知识,本文首先基于问答任务构建生物医学领域知识库。然后,采用知识表示学习方法获得实体和关系的表示。接着,分别基于问题和答案的语义表示对知识进行关注,获得问题和答案的知识表示。最后,采用门控机制,融合知识表示和语义表示,分别获得问题和答案的知识语义联合表示,用于问答对分类。在MEDIQA数据集上的实验结果表明,基于领域知识选择的生物医学问答模型能够选择出有用的知识辅助问答对分类,提高生物医学问答模型性能。（3）基于对抗样本生成的生物医学问答。类型信息对于问答对分类可以起到重要辅助作用。为准确地捕获类型信息,本文首先对问题中的类型信息添加扰动,生成对抗样本。然后,将对抗样本加入训练集,分别训练基于问答对语义挖掘的生物医学问答模型,和基于领域知识选择的生物医学问答模型,增强模型对类型信息的捕捉能力。最后,利用合作学习,使这两个模型相互学习,促进领域知识和语义信息的进一步融合。在MEDIQA数据集上的实验结果表明,基于对抗样本生成的生物医学问答模型,能够准确地捕获问题和答案的类型信息。并且合作学习能够有效融合不同模型的语义信息和知识信息,提高生物医学问答模型性能。本文的研究提供了有效提升生物医学问答性能的方法。本文方法也可以用于其他问答任务,具有一定的普适性。