在当前数字信息迅速增长的时代,人们越来越依赖于从互联网上获取信息。对于医疗健康方面,人们常常从互联网上查询疾病和症状信息,用以了解自身健康状况并及时预防或治疗。然而,通过搜索引擎检索信息的传统方式十分不便,因其需要用户自己设计和提炼关键词,甚至做进一步的筛选才能得到答案,难以满足人们快速获取医疗健康信息的要求。本文旨在研究和开发一个针对医疗健康领域的问答系统,用以辅助医疗服务,帮助用户快速了解自身健康状况,以便人们在去医院就诊时能够心里有数。本文主要工作如下。首先针对人们表达医疗问题的形式多样,很难用规则模板的方式从问题中提取疾病症状实体的情况,提出了语义相似度计算方法,该方法主要由基于编辑距离的方法、基于字符重叠系数的方法和基于词向量的方法构成。实验结果表明混合方法的效果优于三个方法单独使用时的效果,说明该方法能有效抽取词典外语义相似的疾病症状实体。其次出于对数据库查询需要查询目标的考虑,设计了意图识别的多分类模型,该模型由朴素贝叶斯算法训练得到。在测试实验中,该多分类模型的最佳F1值达到了0.9686,说明该多分类器能有效识别出大多数用户输入信息的查询意图类型。最后针对医疗问题通常有多个相关答案,没有唯一的标准答案,问答系统很难选择出最佳答案的情况,提出了基于注意力和字嵌入的问答匹配模型,该模型涉及字嵌入技术、注意力机制和多尺度卷积神经网络技术。通过在问答对数据库上的实验,证明了本文设计的问答匹配模型在中文医疗问答对匹配任务上优于BiLSTM(双向长短时记忆)和单尺度卷积神经网络等模型,说明该模型能够满足本系统的要求。本文在上述三个方法模型实现的基础上,完成医疗问答系统的搭建和性能测试。性能测试表明,本系统的召回率和准确率分别达到了85.0%和76.0%,达到了较好的问答效果。