目前在苹果生产中,农户获取技术指导的途径主要是他人经验以及基于检索式的问答技术,获取方式单一、效率差、依赖知识库,因此苹果的质量和产量受到影响,更是造成了主要的生产和经济损失。生成式的自动问答技术能够快速准确地为苹果生产提供技术指导,科学指导苹果生产过程,因此苹果生产知识的自动问答对苹果生产具有重要意义。本文以苹果生产知识为研究对象,在文本预处理基础上,研究了基于深度学习的苹果生产知识自动问答方法,本文主要工作总结如下:（1）基于恒等映射门控循环单元的序列到序列模型（Identity Mapping Gated Recurrent Unit Sequence to Sequence,IMGRU-Seq2seq）的苹果生产知识自动问答方法。鉴于GRU网络作为序列到序列模型的语义抽取单元时会带来梯度消失和网络退化的问题,本文在GRU基础上,通过批标准化技术与线性整流函数相结合的方式,将恒等映射引入GRU的中间隐状态,实现一种基于恒等映射的门控循环单元IMGRU;将IMGRU作为Seq2seq模型语义特征抽取的基本单元,编码器采用双向IMGRU,并引入注意力机制,自动搜索编码状态与当前输出状态的关联信息,在解码过程中使用集束搜索算法生成全局最优回复序列。经实验验证所提方法比现有方法的BLEU、ROUGE-L指标得分,分别平均提高了7.99%、8.4%。（2）基于转换条件变分自编码器（Transformational Condition Variational Autoencoder,TCVAE）的苹果生产知识自动问答方法。鉴于序列到序列模型在专业知识问答生成场景下倾向于生成单调保守回复的问题,本文采用了一种转换的条件变分自编码器模型。通过对上下文输入条件及与条件无关分布的采样进行非线性转换,显式利用输入条件,实现一种转换的条件变分自编码器模型TCVAE,TCVAE能够得到和输入条件相关性更高的潜在变量语义表征,同时模型在测试阶段和训练阶段的潜在变量采样更加一致,生成更具丰富度的回复。实验结果表明,本文实现方法比现有方法BLEU、ROUGE-L分别平均提高了8.22%、5.92%。（3）基于顺序变分的SV-Transformer（Sequential Variational Transformer）的苹果生产知识问答方法。RNNs类神经网络作为序列到序列模型的基本语义抽取单元时,长期捕捉文本的语义特征能力不足,为了提取长期依赖同时生成更具多样性的回复,本文将CVAE结构引入Transformer模型中的解码器中,实现了动态变分解码器。动态变分解码器包括先验路径和后验路径。在训练阶段,后验路径中添加一个非覆盖的多头注意力机制,将还未解码的回复序列输入后验网络,对潜在变量进行后验估计;在测试阶段,从潜在变量先验分布中采样生成回复。模型使用细粒度潜在变量扩展Transformer模型的解码器,使得模型在测试阶段和训练阶段的潜在变量采样更加一致,更好地提取自动问答中的长距离语义信息。实验结果显示,本文所提方法比现有方法BLEU、ROUGE-L分别平均提高了12.49%、8.3%。