在社会经济的快速发展,人民生活水平提高的大背景下,人们对身体健康的要求越来越高,自我管理自我控制的意识越来越强,对健康信息的需求也越来越大。互联网为社会大众提供了快捷和便利的获取信息交流信息的平台,越来越多的网络用户选择通过在线咨询网站向医生或相关人员咨询健康问题。利用网络上已有的用户健康问题,深入分析与挖掘可以更好地发现其健康信息需求。健康问题自动分类算法可以为此类健康信息需求提供方法,帮助研究者更全面的了解真实情况,为健康信息服务提供参考。研发健康自动问答系统可以帮助用户更快更准确地获取健康信息,缩减用户浏览大量网页所耗费的时间,方便用户了解自身健康情况和自我管理,所以研发该系统是具有社会意义和价值的。其中,健康问题分类对研发健康自动问答系统中非常重要的一步,可以帮助该系统缩小候选答案的范围,以及调整答案选择策略。目前健康问题分类研究相对较少,主要不足的地方有:（1）主要集中在以支持向量机为主的机器学习方法,但是支持向量机会丢失问题的词序信息,导致当文本表述比较相似时分类性能下降;（2）没有充分考虑健康领域的专业性和特殊性,在健康问题文本的表达上有待加强。为解决上述问题,本文提出基于多特征和长短期记忆网络的中文健康问题分类模型,在健康问题的文本表达中选择词向量特征、词性特征和领域相关特征,并对三种特征采用拼接方式进行融合,最后利用长短期记忆网络模型对问题分类。本文使用中国医学科学院医学信息研究所公开的中文健康问题数据集Qcorp对模型训练和测试,实验发现该模型方法优于支持向量机,精确率提升了7.27%,效果优于单一特征,精确率提升了2.70%,验证了本文模型的有效性。