随着信息科技的发展,网络中的数据规模越来越大,这些数据给现有的检索系统带来了挑战,如何从驳杂的数据信息中检索到准确的答案越来越受到关注。问答系统作为检索系统的一种高级形式,能够对网络上海量的文本数据进行分析检索并返回给用户简洁而准确的答案,已成为了一项新的研究热点。问题分类是问答系统研究的一项基本任务,其精度直接影响问答系统的性能。目前问题分类任务主要面临以下问题:一方面是数据集中问句字数较少,存在语义特征信息表现不足的问题;另一方面是待分类数据大多为自然语言问题形式,存在着口语化和模糊化的特点,训练出的模型分类效果不佳;此外,现有的问题分类研究成果多集中于英文问题分类上,中文问题分类精度值极少能够达到相当水平,仍然有着极大的研究空间。基于此,本文主要从以下两个方面来展开研究:（1）针对问题文本局限于字数较少、语义特征信息表现不足,导致词嵌入阶段难以表示出较深层次的语义信息的问题,进行了相关文本表示方法的研究,提出了一种基于翻译模块的文本信息扩充表示机制。这种文本表示结构利用谷歌翻译API实现文本翻译扩展的目的,同时采用表现极佳的预训练模型ERNIE和BERT分别对中文语料和翻译语料进行文本表示。实验结果表明,使用该方法进行文本表示后进行分类,取得的分类精度比使用传统word2vec方法、单独使用ERNIE或BERT方法更高。（2）针对目前的分类方法存在训练困难、分类效果不佳的问题,本文利用基于特征融合的中文问题分类方法进行问题分类。一方面通过在卷积神经网络和双向长短时记忆模型中加入highway network“控制门”结构,缓解因模型层次较深造成的特征提取困难导致分类精度不高的问题;另一方面,加入DCU（Dactical Composite Units）结构减少运行时空间和时间的消耗。通过与基线模型的对比实验验证了该方法的有效性。在探究模型的基础上,搭建了中文问题分类系统原型,将本文方法应用到实际系统中。通过系统的中文问题分类功能模块实现对中文问题的自动分类。