面向汉语、英语等大语种的语音交互系统已经应用于科技和生活的各个方面,极大地提高了信息获取效率。而蒙古族人民也对语音交互系统有广泛的需求,希望使用蒙古语与智能设备交互。因此本文设计并实现了面向蒙古语的语音交互系统,本系统由蒙古语语音识别、问答系统、语音合成三部分组成。其中问答系统是语音交互系统的核心部分,问答模型性能的好坏直接影响语音交互系统生成回答的语言质量。目前还没有公开的高质量蒙古文问答语料库,且蒙古文问答模型与深度学习结合的相关研究处于起步阶段。针对以上问题,本文进行了如下研究:（1）针对蒙古文问答语料匮乏的问题,构建了蒙古文问答语料库（Mon QA Corpus）。本文搜集了大量开放领域单轮中文问答语料,对其进行汉蒙翻译、自动筛选、人工校正等一系列处理,构建了含有约1.5万对日常问答对话的高质量蒙古文问答语料库,用于后续生成式问答模型的建模研究。（2）为了在有限的语料下生成更多样的回答,本文使用基于序列到序列的生成式蒙古文问答模型。根据长短时记忆网络（LSTM）的特点,构建了基于LSTM-LSTM蒙古文问答基线模型。为了提升模型生成回答的语言质量,本文在编码器中引入了门循环单元（GRU）网络结构,构建GRU-LSTM问答模型,通过实验发现,该模型相比基线模型在提升生成回答的质量方面并不明显。为了使问答模型生成的回答更加合理且具有上下文关系,本文在基于LSTM、GRU、BiLSTM、Bi GRU四种不同编码器结构的基础上,在解码器解码的过程中加入注意力机制,构建LSTM-AM-LSTM、GRU-AM-LSTM、BiLSTM-AM-LSTM和Bi GRU-AM-LSTM四种问答模型。通过实验发现,采用GRU-AM-LSTM网络结构的蒙古文问答模型生成回答的效果最优。（3）为了使问答模型获得更丰富的语义表达,本文将加入注意力机制的序列到序列问答模型融合预训练蒙古语BERT模型的最后一层词嵌入输出,构建Bmo GRU-AM-LSTM问答模型。实验表明,该模型能有效提升回答的上下文语义相关性和丰富度。（4）本文将BmoGRU-AM-LSTM蒙古文问答模型应用到蒙古文问答系统的构建中,结合蒙古语语音识别和语音合成服务,设计并实现基于安卓的蒙古语语音交互系统。测试结果表明,本文研发的蒙古语语音交互系统可以进行蒙古语单轮语音人机交互,且生成的答案与问题的语义相关度较高。