自动问答技术旨在回答用户以自然语言形式输入的问题,其首先通过对问题进行语义理解,然后利用自动检索技术查询答案所在区域。自动问答分为开放域自动问答与限定域自动问答,两者主要区别是查询问题与背景知识库是否属于相同领域,本文主要面向限定域自动问答进行研究。限定域自动问答技术被广泛应用在智能搜索引擎、对话系统、智能客服等商业领域,它涉及到自然语言表示、信息检索、语义匹配等多种技术,具有很好的研究意义与商业价值。随着近年来深度学习在各个领域发展,基于深度学习的限定域自动问答技术也取得了长足的进步。相对传统问答技术而言,基于深度学习的方法避免了机械式的检索,在预测答案准确率与回答问题效率上都有极大的提高。尽管如此,目前仍然存在一些问题:1)在语义特征提取时,存在注意力缺乏问题,无法捕捉长文本语义特征;2)在文本表征时,存在多义词语境识别问题,无法识别多义词在不同语境下的正确语义;3)在答案预测时,存在类别不均衡问题,无法预测出现频率较低问题的正确答案。基于上述问题,本文提出了一种强化自注意力问答模型。针对注意力缺乏问题,模型引入了多轮自注意力机制,通过对输入序列进行多轮自注意力查询,加强了文本-问题、问题-文本之间的交互注意力影响;针对多义词语境识别问题,模型从静态词向量与动态词向量两个方面对输入词语进行多维度表征,提高文本上下文表征能力,充分提取输入文本的语法与语义特征;针对类别不均衡问题,模型采用焦点损失函数替换交叉熵损失函数,与此同时,还通过回译,同义词替换等方式对输入数据进行过采样与数据量扩充,来减少类别不均衡所产生的影响。以前面的研究工作为基础,本文还设计并构建了限定域自动问答系统,使得用户可以实时交互以验证所提出模型性能。