检索口语化文本或专业领域用语时,传统的搜索引擎已不能满足实际需求,随着深度学习技术的广泛应用,智能化的问答更能适应不同应用领域。智能问答是通过对文本深度语义信息的理解,在问题库中检索匹配度较高的知识信息,并将答复语句进行反馈的过程。面对现有的智能问答模型中存在的不足,本文在命名实体识别,文本分类和文本匹配任务上进行改进,从而提高智能问答结果的准确率。具体研究内容如下:首先,针对现有命名实体模型在面对复杂实体词汇边界划分不清的问题,本文提出了基于深度学习的命名实体模型,其融合了基于WoBert模型的词汇增强算法,使模型能够引入外部词汇信息,增强模型对词汇特征的理解,从而有效划分实体词汇边界和实体类别。在公开数据集上进行实验,选用由精确率、召回率的调和平均值F1作为模型评判指标,结果表明本模型F1值达到82.19%,比Bert-CRF模型效果提高了 7%。其次,面对复杂长文本语句时,基于深度学习的单层神经网络较难理解文本真实语义信息,因此本文提出基于自注意力机制多特征提取融合网络模型,其通过自注意力机制来理解文本语句在上下文结构中的依赖特征,使用深度卷积注意力叠加网络和基于注意力机制的双向门控组合网络分别对文本语义进行深度挖掘,然后将提取到的两种语义特征拼接为融合特征表示向量,通过使用Softmax分类器实现对文本特征的类别划分。经过在公开数据集上的对比实验,结果表明该模型F1值比CNN模型提高了 11.6%。然后,针对现有文本匹配模型效果不佳的问题,提出使用多层多特征提取融合的文本匹配模型。将文本匹配模型分为两层,一层为基于孪生Bert模型多特征提取融合的文本匹配模型,另一层为多特征融合的相似度算法。实现对问答库文本的层层筛选,深入理解文本真实语义,从而提升文本匹配效果。在公开数据集上对文本匹配模型进行实验测试,本文模型F1值高达70.75%,对多特征融合的相似度算法实验测试,结果表明多特征融合的文本相似度计算更加符合用户需求。最后,将智能问答模型应用于寻医问药智能问答系统中,实现与用户的真实信息交互,能够有效地理解专业领域知识,经过多组测试,得出问答准确率达到74%,从而验证了本文模型的可行性和有效性。