信息社会里,快速而准确的获取到有价值信息的需求急速增加。智能问答系统作为一种实现问与答的快速反馈的新兴技术,市场需求倍增。问句分类是智能问答系统处理的重要基础,是影响系统性能的关键。在问句分类的研究过程中,面临了两大主要问题,主要问题一:现有的问句语料资源不足,不能满足开放域问答对各种场景下的语料的需求。该问题易导致:研究结果有偏、普遍适用性较差。主要问题二:对问句分类时,需要依据问句文本的关键特征,来分析出该问句对应的语义类别。然而,对关键特征的提取是困难的,因为问句本身具有简短且语义复杂的特点。本研究将问句分类过程划分为两个步骤,第一步,使用弱指导技术扩展语料,以针对性解决主要问题一。第二步,使用深度网络提取问句的语义特征,以针对性解决主要问题二。其中,扩展语料的过程是:首先,分别计算各类别问句集的主干词的TF值,来筛选能够体现该类别语义的词作为类别关键词;然后,利用《同义词词林》词典中的同义词替换原语料中的类别关键词,得到较大规模的高质量的语料。问句语义特征提取的过程,采用了深度学习技术。具体实现是,训练一个长短时记忆网络,配以注意力机制。最终,得到问句的抽象表示和问句的语义特征,并进一步完成问句的分类。选择适当的模型参数,训练上述的深度网络分类模型。然后,使用相同数据集,对比不同分类模型间的性能差异,以验证本文方法的有效性。实验结果表明,本文中使用的基于弱指导的语料扩展和使用“融入答案对问题的注意力机制”的深度学习模型,能够在问句分类任务中取得显著效果。