随着大数据时代的到来,计算机与移动网络的飞速发展。我们已经迎来了5G网络,人们获取信息的途径越来越多,每天数以亿计的信息留存于互联网上。丰富的信息资源在互联网上构建了一个大型知识库满足人们对未知信息的渴望。但是,庞大的信息量也让人们很难快速得到有价值的信息,如何快速筛选有价值的信息是当前亟待解决的难题。自动问答系统可以根据用户所提出的问题,自动挖掘问题的语义信息,并快速匹配得到问题的正确答案反馈给用户,解决人们难以快速高效获取信息的难题。本课题研究自动问答系统中的答案选择技术,答案选择任务定义如下:给定一个问题和一个候选答案集,对问题答案建模,通过训练深度学习模型让模型自动的筛选出问题的正确候选答案。本任务的关键是如何对问答答案建模,从而得到问题与答案的相似关系。目前主流的方法是采用以Bi LSTM为核心基于注意力机制的深度神经网络建模,但由于此类模型并不能获取文本中上下文相关的语义特征,所得到的语义信息量有限,此类深度学习建模方法准确率并不高。近年来,基于Transformer的预训练模型以其庞大的语义表达能力,在各大自然语言任务上大放异彩。因此,本文采用预训练模型用以研究答案选择任务。本文提出了一个基于预训练模型BERT微调的答案选择模型,并针对在答案选择任务上预训练模型的使用进行探索和尝试。对于分类器,本文采用全连接网络、DPCNN网络和Bi LSTM网络三种网络结构,探索对于答案选择模型不同分类网络的模型差异。此外,在不同维度上探索预训练模型在答案选择任务上的使用方法。针对预训练模型的训练方式,本文探索了基于Ro BERTa模型的迁移学习二次微调训练方法。针对数据量对预训练模型性能的影响,本文提出了一种基于信息检索的数据扩充策略。本文在三个数据集上测试了上述模型,实验结果表明本文提出的答案选择模型非常有效。其中,最优模型在Trec QA数据集上评价指标MRR、MAP分别达到了98.2%、94.9%。在Wiki QA数据集上评价指标MRR、MAP分别为93.5%、92.0%。在两个数据集中的排名均在前列。