随着现代医疗体系的日益成熟,越来越多的新兴技术应用于医疗系统中。其中,自动问答技术就给医患沟通带来很大帮助。基于深度学习的生成式问答系统一般使用序列到序列(Sequence to Sequence,Seq2Seq)框架搭建问答模型,但是该模型无法充分利用相关情景下的文本信息,生成的一些回答较为简单。为使模型生成的回复更加丰富,本文采用一种将医疗背景信息与Seq2Seq问答模型相结合的新型导医台问答模型。论文首先研究了中文语料预处理技术以及中文词向量表达形式与训练方法,采用了word2vec训练工具训练分布式词向量,相比稀疏词向量表示方法降低了词向量维度,减少了网络的计算量。其次,对结合Attention机制的Seq2Seq问答模型进行研究,模型中分别使用多种循环神经网络作为编码器与解码器,对比多组实验,选择模型训练效果最好的网络作为问答模型的编解码器。然后,为了提高问答模型生成回复的准确率与多样性,在Seq2Seq问答模型的基础上增加了医学背景信息模型。将Seq2Seq问答模型作为预训练模型,增加背景信息后进行再训练,使得模型不仅与问答语句有关也充分学习了背景信息的特征,生成的回复更加丰富真人化。最后,由于传统的问答模型评价指标没有涉及句子的语义层次,与人工评价指标具有差异,因此本文采用一种相关性与相似性综合评价指标(RSEB)。该评价指标结合生成回复与参考回复之间相似度以及生成回复与问题之间相关度,对模型回复语句进行综合评价。通过Tensorflow深度学习算法框架搭建自动问答模型,对比背景信息问答模型与Seq2Seq问答模型回复效果。实验结果表明,本文所用模型生成的回复语义更加丰富完整,质量高于传统问答模型生成的回复,因此背景信息辅助的导医台自动问答模型更适用于医院导医台。并且通过模型测试效果对比,发现本文所用的RSEB指标相比PPL指标更具有优势。