如今是信息技术蓬勃发展的时代,人们通过互联网可即时浏览所关注的信息。随着科技的飞速发展以及互联网的繁荣,现在每天在互联网上所产生的数据量是以前传统文本时代所远不能及的。丰富的信息资源虽然可以满足人民对于知识的渴求,但是如何快速筛选获取有价值的信息也成为当前面临的难题。自动问答系统能够挖掘句子中潜在语义信息快速的匹配问题和候选答案之间的联系,快速且准确的查找到最佳答案,满足用户想要精确定位答案的需求。本课题研究自动问答系统中的答案选择技术,本任务的具体流程如下:给定问题和多个候选答案,通过深度神经网络学习的方式从候选答案集中找出与问题最相关的答案。本任务的关键技术为计算问题与候选答案之间的相似程度。深度神经网络无需人工提取特征、语言工具或外部知识等辅助手段,使用网络自身提取语义关系。本文采用深度神经网络用以研究答案选择技术。本论文所采用的的基本模型为:基于注意力机制的单层BiLSTM网络模型。在此模型的基础上,本文从注意力机制和使用多层网络提取特征两个角度分别进行了改进。首先,对于注意力机制,本文提出了一种双向的注意力机制在问题和答案之间分步进行共现特征以突出问题与答案中的重要部分。其次,对于基本模型的单层网络结构,本文对多层网络的使用方式进行了积极探索。此外,本文还探索使用了BERT预训练模型。我们使用BERT预训练模型来进行特征提取从而生成饱含丰富上下文信息的词向量以替代使用Word2Vec生成的词向量。将改进后的模型以及基本模型在2016 NLPCC QA测试集和Wiki QA数据集上进行实验结果对比发现,改进后的答案选择模型优于基本模型。其中,结合多个改进技术的最优模型在2016 NLPCC QA测试集的评价指标MRR、MAP、ACC上分别达到了83.73%、83.67%、75.10%。相较于基础模型,本文的模型分别提高了5.20%、5.28%、6.30%。