随着大数据时代的到来,信息爆炸和信息过载的问题逐渐明显,搜索引擎只能返回与人们需求相关的一系列网页,已经无法满足用户需要。在此背景下,问答系统的提出弥补了搜索引擎的缺陷,问答系统让用户以自然语言的方式提出问题,紧接着系统返回给用户准确、简洁的答案。近年来越来越多的研究人员尝试使用深度学习的方法完成问答领域的关键任务,并得到了较好的效果。因此,基于深度学习的问答系统逐渐成为国内外研究中自然语言处理领域最热门的研究方向之一。本文结合深度学习算法对用户自然语言进行理解,构建了一种基于CNN的租房领域问句意图识别模型(QIRCNN),以及一种基于BERT-Bi GRU-Attention-CRF的中文命名实体识别模型,并基于本文模型实现了一个基于租房领域知识库的问答系统。本文具体内容如下:本文首先介绍了本课题的研究背景与意义、国内外研究现状以及本论文的研究内容及章节安排。然后,简要介绍了本课题所需的相关理论与技术基础。接着,本文研究了基于深度学习的领域问答系统中的问句理解部分。在问句意图识别方面,本文将问句意图识别问题看成问句的多分类问题,在研究基于卷积神经网络的文本分类方法的基础上,将该方法用于识别租房领域问句的意图,构建了一种基于CNN的租房领域问句意图识别模型,并通过对比实验证明了所提模型的有效性。在命名实体的识别方面,本文将非限定值关键信息的提取问题看成命名实体识别问题,提出了一种新的命名实体识别模型,即BERT-Bi GRU-Attention-CRF模型。该模型使用经典Bi LSTM-CRF实体识别模型作为基础模型,用Bi GRU替换Bi LSTM使得参数更少,结构更简单,收敛性更好;采用预训练语言模型BERT训练中文词向量,能够较完整地保存文本语义信息,较好地解决了命名实体一词多义问题;使用Attention机制挖掘文本序列之间的潜在特征,对语义信息的利用更为充分。实验结果表明,本文的BERT-Bi GRU-Attention-CRF模型具有较高的识别准确率。之后,利用本文研究的深度学习模型,本文设计并实现了一个基于知识库的租房领域问答系统。分析了系统需求、设计了系统总体架构、功能模块和数据库表,整个系统包括知识图谱建立、意图识别、关键信息提取、问句转换和答案检索等模块,利用Python、XPath、Sparql等编码实现了本系统,并展示了系统运行的效果。最后,总结了全文并展望了进一步的研究工作。