当前问答系统已经成为广大院校和研究机构的一个研究热点,而研究问题分类是做好问答系统的前提。如今中文问题分类的研究已经趋于成熟,对于藏文问题分类的研究则寥寥无几。本文选择西北民族大学这个特定领域,研究民族院校问答系统中藏文问题分析模块中的问题分类。本文首先分析了藏文问句与普通文本的区别以及藏文问句的特点,然后结合问题集的特点对现有的语料进行分类。由于本文所使用的语料是来自西北民族大学的藏文校园问题集,考虑到本文的语料较小,且问句较短,特征较少,若将类别划分的太细则导致特征无法识别,类与类之间区分度降低。文章将全部问题共划分为四大类。这四大类分别为学校概况、教育教学、民大文化和服务保障。将语料整理完成之后就是对语料进行预处理,文章采用了西北民族大学祁坤钰老师的藏文分词系统进行分词处理。其次本文在问题文本表示方面选择了词向量表示方法,用word2vec技术中Skip-gram模型将问题文本转化为低维且稠密的词向量。该方法可以解决因维数稀疏造成的维数灾难问题,同时也可以用来衡量词与词之间的相似性。问题文本转化为词向量表达形式后,将每条问题以二维矩阵的形式输入到卷积神经网络模型中去。文章根据问题集的特点和大小将卷积神经网络模型结构设计为一个输入层、一个卷积层、一个池化层和一个全连接层。在CNN模型中用卷积层和池化层提取问句特征,最后用softmax分类器完成问句分类的工作。为了证明卷积神经网络对藏文问题分类的效果,文章将其与机器学习中朴素贝叶斯和KNN分类方法进行了对比。实验结果表明,卷积神经网络模型的分类效果优于机器学习,对藏文问题分类具有良好的效果。