基于文本库的自然语言问答(DBQA)任务是指,给定以自然语言形式出现的问题,在每个问题对应的候选文本库中找到并返回最相关的答案。其特点在于文本库中是非结构化的信息,并且文本库信息不限于单一领域。基于文档库问答任务是自然语言处理领域的研究热点之一,并已被广泛应用。传统的基于文本库的问答任务的解决方法,从借鉴信息检索的方法筛选候选答案,发展到利用机器学习的方法进行答案文档排序并返回最佳答案,再到近几年,结合深度学习的方法进行处理。随着深度学习广泛应用于自然语言处理领域,越来越多的学者利用词嵌入向量和深度学习的方法解决文本相关度的匹配的问题,使得该任务的准确率不断提升。基于文档的问答任务,实质上是计算问题与答案之间相关度的任务,如何表示好短文本,并充分挖掘出短文本中的语义特征信息是提升回答准确率的关键。近几年,许多学者基于深度学习模型和词汇分布式表示,提出了不同类型的神经网络模型来解决问题答案选择问题。本文所做的工作如下:1)本文提出了一个带有共现矩阵的卷积神经网络模型。将问题和答案共现信息添加到深度学习模型中。共现矩阵是一种将问题和答案文本的共现信息添加到判别模型的方法,这种方式可以提供更丰富的语义特征,并在NLPCC 2017 DBQA任务发布的语料上对该方法进行实验。实验结果表明,本文提出的方法可以使文本库问答系统的回答的各项指标获得提升。2)本文将分布式词向量和字符级向量进行融合,对问题文本和答案文本进行表示。使用多层卷积神经网络对短文本语义特征进行挖掘抽象组合,利用抽象后的特征和神经网络模型对问题和答案文档打分,并在NLPCC 2017 DBQA中文数据集和基于文本库自动问答英文标准数据集Wiki-QA上进行了验证,实验结果表明相比于仅用词向量的模型和仅用字符级向量的模型都取得了准确度上的提升。