随着神经网络技术在自然语言处理领域应用的越来越广泛,智能问答系统的研究重点也从传统的对问题库文档的检索转变成基于自然语言问句理解的问答匹配与答案推理。在本文的问答系统中,用户发起提问,系统首先会对提问进行分类,再从数据库中存储的其所属类别的所有候选答案中选取具有最佳匹配度的答案,最后将该答案返回给用户。本文首先介绍了一些自然语言处理领域中的关键技术,并对这些技术的原理进行了分析和研究;然后针对现有语义提取模型在处理中文文本数据上的不足,基于生成式预训练神经网络,提出了一种改进的中文文本语义提取模型;之后对现有语义相似度计算模型在问题答案匹配任务中存在的缺点进行了分析,采用了语言模型的基本思想,基于改进的中文文本语义提取模型,提出了针对问答匹配任务的改进型语义相似度计算模型;之后,根据智能问答系统中海量数据存储的要求,针对欧氏距离不能处理非线性的中文文本数据的问题,依据模型改进了计算中文语义距离的公式,并以此改进了 ARIA-Kmeans算法,得到了一种新型算法,它负责实现对中文文本数据的精简与聚类;最后,根据问答系统的基本功能,对智能问答系统进行了实现,并进行了实验验证。实验表明,本文中使用的中文问答语句匹配模型相对于传统模型在性能上有明显的提升,所改进的ARIA-Kmeans算法也达到了与其的目标并有有着更好的稳定性和效果,本文设计的智能问答系统能够满足实际功能的需要,具备实际应用价值。