Web2.0时代已历十余年。随着互联网的高速发展和移动终端的迅速普及,由用户主导产生的信息日益膨胀。如此规模庞大的信息导致用户信息过载,从而倒逼搜索引擎技术的快速发展,使用户能够快速准确地获取所需信息。以关键词匹配和网页链接为基础的搜索方法已趋于成熟,但多数情况下由于用户选择关键词不当,导致检索结果不理想;或因搜索引擎不能过滤大量的网页,导致用户得不到准确的答案。相比之下,问答系统以自然语言作为输入,不依赖于用户对关键词的选择,并直接返回最相关答案内容,它提高了用户检索满意度并节约了用户获取答案的时间。本文在此背景下对基于问答库的检索式问答系统展开研究,主要研究工作包括以下三个方面:(1)对基于依存关系的文本相似度算法进行研究和分析,并提出一种基于依存关系选择与加权的文本相似度算法,实验结果表明该方法在不同的数据集上,其准确率均具有较大优势。(2)本文结合基于向量空间模型(VectorSpaceModel,VSM)、依存关系和卷积神经网络(ConvolutionalNeuralNetwork,CNN)的文本相似度特征,通过RankSVM排序模型,提出了一种基于多相似性特征融合的问答检索模型,实验结果表明该问答检索模型具有较高的F1值和准确率。(3)通过对问答检索模型的实现,本文基于从天涯问答社区爬取的问答数据,使用SAE(SinaAppEngine)和微信公众号实现了一个检索式问答系统。