移动互联网和社交媒体平台与现代人的生活紧密相连,大量的文本信息随之出现,问题生成（Question Generation,QG）引起了越来越多研究者的关注。问题生成作为人工智能的一个重要研究领域,通过输入段落和答案的文本信息,生成针对输入序列相关的问题,问题生成对于帮助对话系统、自动诊疗等领域构建或扩充语义知识库,具有重要的现实意义。目前,基于深度学习的方法在自然语言处理领域,能够有效的提取段落和答案的交互语义,捕捉人工难以识别的特征。因此本文将从普通领域与中医药领域,对基于段落和答案交互的问题生成运用深度学习的方法展开研究。在普通领域中,针对目前序列到序列模型无法捕获到输入段落与答案之间的高层次交互特征信息,本文提出基于双编码和Top3输出指针解码的问题生成方法。通过双编码器对段落和答案文本进行编码,并通过改进门控自注意力机制汇总段落和文本交互信息,然后将编码后的语义信息输入到Top3解码器生成相应的问句。实验表明,该模型能够生成更具有针对性的问题,达到目前比较理想的结果。针对中医药领域,为了使模型能够更多获取段落和答案的交互信息,提升模型鲁棒性,本文提出了基于VATAE嵌入和语义覆盖的模型。针对段落内的答案信息,添加了答案嵌入层,使得模型能够更好的关注到中医药领域段落与答案的交互,并且提升了模型的效果和鲁棒性,缓解了曝光偏差这一问题。同时本文融入自蒸馏的半监督学习方法,解决了中医药领域文本数据资源较少这一问题,使模型学习到更多的段落和答案交互语义,在此基础上通过迭代实现效果提升。最后在中医药领域数据集上对模型进行了实验,并设置多组对比实验进行模型的分析,展现出最优的结果。