智能问答系统结合了自然语言处理技术和信息检索技术,能用准确、简洁的自然语言回答用户用自然语言提出的问题,问答系统根据其应用领域可分为限定域问答系统和开放域问答系统。目前的中文问答系统准确率较低,时间效应不能很好地满足用户需求。本文设计了一个限定领域的问答系统模型,重点研究和改进了问答匹配模型,充分理解中文语义,提出了Si Bi LA(Siamese Bidirectional Long Short Term Memory Attention)问答匹配模型,提高了问答系统的准确率。为提高问答系统的时间效率,最后在Si Bi LA中引入了doc2vec排序算法,该问答模型可以应用于大学招生咨询领域,以节省大学招生咨询的人力资源和成本。论文的主要工作如下:首先提出了一种基于双向LSTM和孪生神经网络的问答匹配模型Si Bi L(Siamese Bidirectional Long Short Term Memory)模型。该模型使用双向LSTM捕捉语句的双向语义依赖,并引入了孪生神经网络结构。Si Bi L模型能够充分利用文本中词语间的语义信息和语序信息,处理中文词语的相似性、多义性和顺序等问题,提高了问答系统的准确率和时间效率。其次,为了更进一步提升问答系统的准确率,在Si Bi L模型上加入了注意力机制,构建了新的问答匹配模型Si Bi LA。注意力机制可以根据语句中词语的重要程度分别对其词向量赋予不同的权重,可以更好地突出语句中心词的表征能力,从而达到进一步提高问答模型准确率的目的。为了进一步减少模型匹配的次数,本文在问答匹配模型之前使用基于doc2vec的排序算法,以提高问答系统运行的时间效率。最后,建立了基于Si Bi LA问答模型的大学招生咨询智能问答系统,完成了大学招生咨询智能问答系统的需求分析,总结架构设计和主要功能模块设计等工作,并结合大学招生咨询问题的数据库,实现了大学招生咨询智能问答系统。