生物医学领域的问答系统,不仅能让普通用户简便快捷地解决自己的疑问,还可以服务于该研究领域的专业工作者。因此,对生物医学领域文本问答的研究具有重要意义。在过去几年里,文本问答在生物医学领域受到了广泛的关注,但此研究也面临着长期的挑战。互联网的迅速发展造就了今天的数据爆炸时代,在此环境下,尽管人们可以快捷方便的获取大量感兴趣的信息,但甄别有效的信息却又非常困难。自然语言处理领域中文本问答成为当今学术界和工业界共同的研究热点,使得这一难题的解决成为可能。在生物医学领域,对文本问答的研究主要集中在基于阅读理解的问答,基于知识库的问答研究较少,而且现有的基于知识库的问答研究常利用规则或本体,构建过程复杂,耗时耗力,且效果一般。针对以上问题,本文聚焦生物医学领域文本问答进行了以下研究:1.本文提出了一个基于预训练模型的生物医学文本问答系统Bio BERTserini,该系统利用了深度学习中的神经网络技术,解决了基于规则或本体方法的缺陷。针对现有的生物医学文本问答系统研究集中于阅读理解,而忽略了基于知识库的问答这一问题,Bio BERTserini将Bio BERT预训练模型与Anserini信息检索工具包集成在一起,在不同级别的检索知识库上进行了实验,实现了基于大型知识库回答现实世界中的生物医学领域问题。结果表明,与现有的系统相比,本文提出的系统在Bio ASQ事实类问题和是否类问题上取得了更好的效果。2.为了进一步提升问答系统的性能,本文使用了结构简单但功能强大的基于神经排序的方法对生物医学问答系统进行了改进。改进的问答系统分为检索、文档重排序、答案提取三个阶段。在检索阶段使用了传统的基于BM25的文档检索器对知识库检索。针对生物医学领域缺乏问答系统的知识库（如开放领域的维基百科）的情况,本文收集了Pub Med量级大小的数据,并进行了格式转换,使其包含了可以直接或间接回答所有问题的信息。文档重排序阶段使用了基于BERT的神经排序器模型,创建了神经排序语料库对模型进行微调,然后使用了模型对文档进行了重排序,使得与问题相关的文档排序更加靠前,从而进一步改善了检索的结果。答案提取阶段使用了Bio BERT预训练语言模型进行答案提取。在答案提取阶段,需要使用少量的监督训练数据进行模型的微调。鉴于生物医学领域缺乏足够的监督训练数据,本文采用了数据增强和领域自适应技术,以进一步加强系统性能。本文与现有方法进行了对比并在Bio ASQ8b上获得了较好的结果。