随着人工智能的快速发展与普及,智能问答系统的出现得到了广大用户的认可,而且在社会上广泛使用。它能够针对使用者提出的问题进行解析,然后快速明了地返回给用户所需要的答案。目前随着神经网络的完善,各行各业的智能问答系统也都是有着不错的表现,在正确率上来说已经将近达到了百分百的准确率。但随着AI3.0的到来,可解释性成为一个热门的话题,如何让模型变得可解释也是未来工作的方向。本文的主要研究工作如下:（1）针对现有的神经网络框架可解释性差以及传统方法精度缺失等问题,抛弃了常用的端到端的方法,尝试融合神经网络和传统框架,实现两种技术优点的结合,在保证精度的前提下实现可解释性,提出一种新颖的可解释性框架——基于问答对关键词提取的问答系统（KW-QA）。首先是针对问题中的问题词映射到词向量空间。然后找寻相应的内部词（问题词）及其权重、外部词（和问题词相似的词）及其权重,这便是关键词的提取,之后针对提取的关键词在候选答案中匹配。（2）针对单词的语义信息提取不完善以及传统递归神经网络网络（RNN）对语义提取只能串行等问题,本文使用Bidirectional Encoder Representations from Transformers（BERT）作为语义提取的部分,BERT的出现使得整个自然语言处理（NLP）进入到一个全新的领域,之前的RNN网络训练时间缓慢,归结于其本质是“递归的”,无法实现并行。BERT融合位置信息可以实现并行,而且也充分融合了上下文信息,使得词向量的嵌入更加丰富,用在本文中可以丰富单词嵌入的信息。（3）针对传统的IR检索技术效率低下的问题,本文提出一种新颖的基于Bayesian方法的信息检索技术来实现基于关键词的答案提取,针对前两部分提取到的关键词及其权重,针对下一步的答案检索,使用Bayesian公式可以解决该任务,而且可以使得过程更加透明、可解释。