自动问答是一种通过分析用户所提出的问题,结合知识库或者上下文信息,自动返回一个精准答案的技术。按照用户所提出的问题类型,自动问答任务可粗分为:事实类问题(例如When,Who,Where等)应答和非事实类问题(例如How,Why,解释类等)应答。本论文主要关注于非事实类问题的应答。对于这个任务,目前主流的工作关注于阅读理解式的非事实类问答和答案选择式的非事实类问答。然而,阅读理解式问答研究并非专门针对非事实类问题展开的,现有的数据集大部分都混杂着各种类型的问题,不利于我们专门研究Why型或者How型等非事实类问题的阅读理解问答技术;而现有答案选择式的非事实类问答仅关注于问题与候选答案之间的相关性,却往往忽略了与问题有关的上下文信息。因此,本文的主要工作包括:(1)为了解决现有Why型问答模型生成答案的语义不一致问题,本文提出了一种基于因果知识库和段落自匹配的Why型问答模型。该模型通过整合不同层级的注意力机制和序列到序列结构来生成W h y型问题的答案。(2)本文提出了一种基于答案检索和答案选择的非事实类问答框架。一方面,利用语义相似度方法来过滤与输入问题不相关的候选答案。另一方面,通过引入答案上下文信息,将原始答案选择式的非事实类问答任务转换为复杂的多项选择式阅读理解任务。为此,本文新颖地提出了一种基于答案上下文和胶囊网络的问答模型。该模型融合了不同视角的答案感知的注意力机制和胶囊网络,进而能够从候选答案集中选出与输入问题相关的最佳答案。本文在多个真实数据集上验证了所提模型和方法的有效性。实验结果表明,本文提出的基于段落自匹配的Why型问答模型,在构建的中文数据集和公开的英文数据集上的效果远好于现有的问答模型。本文提出的基于答案上下文和胶囊网络的问答模型在两个数据集上的表现都要优于现有的答案选择式的非事实类问答方法。