作为一种新兴的问答方式以及知识共享模式,社区问答近年来在各领域得到了广泛应用。自动化的社区问答能有效提升问答效率,提升用户体验。目前,已有文献对社区问答中的问题分类、答案质量评估等诸多问题展开了研究和应用,但对答案选择和相似问题检索任务的研究尚存在不足。故本文以国际语义测评大会Sem Eval发布的社区问答数据集为基础,利用机器学习的相关方法对这两个问题展开了创新性的研究,提出了相关的技术解决方案。首先,针对社区问答的答案选择任务,提出了基于上下文关联的答案选择模型CRASM。模型通过使用多维度单词向量融合表示层、注意力层以及非线性全连接层完成了问答对语义匹配的建模;使用循环神经网络BiLSTM完成了答案之间语义关联建模。通过消融实验验证了模型结构设置的合理性。在与其他模型的对比实验中,该模型的Macro-F1指标达到58.33%,性能表现较优。其次,针对社区问答的相似问题检索任务,提出了基于多特征融合的相似问题检索模型FFIRM,该模型首先计算出查询和候选问题句在词法特征和语义特征上的相关关系,然后将这些关系特征输入RankingSVM中,综合判断这两个句子之间的相似度。通过消融实验和对比实验表明该模型结构设置合理,相似问题检索效果较好。在此基础上,对信息检索算法和在句子匹配任务上表现较好的模型进行了综合性能测试,通过对计算成本和模型性能的权衡,提出了TF-IDF模型和FFIRM模型相结合的两阶段问题检索算法。最后,利用上述的答案选择模型以及两阶段问题检索算法构建了一个智能问答系统,对该系统进行了整体架构设计及具体功能模块的实现。通过对系统功能测试和性能测试,证明了算法的有效性以及系统的可用性。