传统的问答系统中,大多数是基于规则或字面相似度在知识库中进行检索的,其问答系统可以快速检索匹配的问句,缺点是匹配的准确率并不高。而基于深度学习的问答系统的准确率虽然很高,但其缺点是匹配时花费的运算的时间较多,而且训练模型也需要依赖很多优质的数据资源。因此本文提出了一个以深度学习匹配算法为主的语义分析智能问答系统,该问答系统是一种具有上下文理解能力的基于信息检索的深度向量匹配和深度学习排序的问答系统,该系统采用两段式排序算法,在第一阶段使用简单的检索模型,检索出多个相关的问题,以减少训练所依赖的数据以及召回所用的时长,第二阶段采用排序算法在检索出的多个问题的基础上使用预训练模型进行再次的精排,从而取得最好的答案,还模型需要的数据资源少并且在准确率上优于大多数模型。主要由检索模块,排序模块两大部分组成。首先对用户的提问进行分词、实体识别以及长难句压缩的处理,该模块主要使用AC自动机进行关键词的提取。其次检索模块根据预处理好的问句,通过字面检索、语义检索和知识图谱查询多个相似答案所在知识库中的位置并快速筛选出得分靠前的句子,该模块主要使用了基于词袋的BM25统计模型和基于深度向量匹配的word2vec语言模型。最后排序模块根据检索到的结果进行归并,通过实体对齐策略过滤一些不合理的答案,使用重排技术对过滤的答案进行重新排序得到最合适的答案,该模块主要使用了基于关键词的实体对齐方法以及基于Pointwise的Learningto Rank重排模型。其中知识库和知识图谱的优化和补充是通过知识挖掘、数据分析、信息提取、阅读理解等方法在资讯事件、对话日志、条款知识等文本中获得。本课题实现了基于文本匹配的智能学涯测评问答系统,分别解决了字面匹配、深度向量匹配和带有逻辑推理的知识图谱文本匹配系统,通过三者的进一步融合结合,使得答案更为精准、全面,解决了学涯测评领域自然语言问答处理技术的实际应用问题。