近年来,由于互联网的快速发展,网络中的内容与信息呈爆炸式增长,非专业人员想要从搜索引擎获取有效医疗信息的难度进一步加大。同时,由于我国的医疗建设水平无法跟上患者的就医需求,医患矛盾的现象始终得不到根本的解决,所以问诊难的问题普遍存在。随着大数据和人工智能时代的到来,人们获取各类信息的方式开始变得更加敏捷和高效,加快实现医学领域的信息化是一个迫切且具有重要意义的问题。为了方便患者在需要就医时能及时地问诊,并且获取到专业且人性化的回答,本文设计并实现了一个医疗领域的检索式问答系统。本文利用自然语言处理技术,主要聚焦于构建一个结合预训练语言模型和实体匹配的检索式问答系统。本文的主要工作包括:（1）本文提出一种基于预训练语言模型和孪生网络结构的文本语义匹配模型FusionLM。此模型在BERT等预训练语言模型的基础上引入孪生网络结构,通过融合问题答案对中的多种语义相似度特征,可以学到问题答案对中更深层次的匹配信息。本文在公开数据集上对FusionLM进行实验,模型的效果达到了答案选择任务中的先进水平,从而可以更好地辅助完成问答系统中的答案选择模块。（2）本文提出一种基于实体匹配的答案选择增强算法。本文在传统的检索式问答系统架构中引入实体匹配评分,将命名实体识别和知识图谱作为实体评分的模块,并加入到检索式问答系统中,作为辅助选择最佳答案的评分依据。本文通过在公开数据集上对此算法进行实验,实验发现加入了实体匹配模块的文本匹配模型能够在答案选择任务上有效提高答案选择的准确率。（3）本文构建了智能医疗问答系统并开发出相应线上平台。本文通过收集大规模的医疗问答帖,将上述两种算法进行实践,在检索式问答系统架构的基础上,设计出了一种结合多种信息的评分机制,并构建出了完整的医疗问答系统。本文通过对问答系统进行人工测评,证实了其回答的有效性和准确性。本文基于问答系统架构开发了实时在线的智能医疗问答系统平台,以供病人和医生对医疗问题进行查询。