随着互联网的迅速普及,信息搜索成为人们的迫切需求,以百度搜狐为代表的搜索引擎虽然便利,但专业性不足。为更快捷、准确地获取信息,特别是专业性较强的信息,问答系统作为一种新的信息检索方式被提出,尤其是问答系统可获取比通用搜索引擎更专业的信息使它成为自然语言处理领域的一大研究热点。中文问答系统可让用户以自然语言提问,系统经分词、词性标注、依存句法分析、语义计算等处理返回对应的答案。其工作表现取决于分词系统、词性标注、依存句法分析、相关语义计算等组件的性能。为提高现有问答系统的准确率,本文针对现有基于神经网络的中文分词系统、基于概率模型的词性标注、基于词频分布特征的语义计算模型中存在的不足逐一进行改进。本文主要工作如下:(1)提出一种新的集成学习分词算法,针对现有的分词算法对新词发现处理能力的不足,集成神经网络、互信息和邻接熵对语料文本进行分词,利用互信息、邻接熵对新词的有效识别,对神经网络的分词结果进行修正。实验表明,新的分词算法能有效提高分词准确率。(2)提出一种基于优化概率模型的词性标注算法,将HMM模型参数估计简化为多元函数描述的系统优化问题,结合改进的遗传算法实现HMM模型参数的优化估计。将改进的HMM模型结合维特比算法用于词性标注,实现了词性标注的优化计算。实验表明,算法能较准确的实现词性标注。(3)提出一种基于词频TF(Term Frequency)、逆文档词频IDF(Inverse Document Frequency)、类别信息增益IG(Information Gain)及潜在狄利克雷分布(Latent Dirichlet Allocation,LDA)的语义计算模型——TF-IDF-IG-LDA;采用Gensim计算词向量的语义相关信息RI(Relevant Information)得到语义相关度;并根据相似度检索分类文档得到问题答案所在的文本。实验结果表明:TF-IDF-IG-LDA模型相对TF-IDF、TF-IDF-IG具有更高的准确性。