智能问答系统是当前自然语言处理领域的研究热点,它能够允许用户以自然语言的方式进行提问,并且可以快速、准确的向用户返回答案,省去了用户自己去查找答案的过程。近年来,随着深度学习技术的快速发展,越来越多的研究学者尝试利用深度神经网络进行短文本语义建模,深度神经网络是通过模拟人脑认知过程从而抽象出的一种计算模型。本文在此技术背景下,研究并设计了一套基于深度学习的智能问答系统。本文采用了深度学习技术对智能问答系统进行设计,主要的研究工作分为以下几个方面:首先,为了提升系统检索性能,本文基于双向长短期记忆网络和注意力机制搭建了问句分类模型,该模型能够有效的提取句子语义信息和文本特征,因此对序列语义建模更有优势。实验结果表明,该模型相比于传统神经网络模型能够更加准确的进行问句分类。其次,本文还采用深度卷积神经网络搭建了句子相似度度量模型,该模型中卷积与最大池化操作的结合具有局部语义提取功能,并且深度的网络模型提取到了更多代表句子语义的关键信息。通过对比实验表明了该模型在句子语义特征提取与相似度匹配任务上的有效性。最后,本文在seq2seq模型的基础上采用双向长短期记忆网络改进了传统的单向循环神经网络,并且再次引入了注意力机制使得模型能够抓住问句的核心语义从而给出关联性更强的回答。对比实验表明该对话生成模型能够在解码端输出质量更高的答案。本文最终整合各模块并设计了一套面向基金领域的智能问答系统,该系统的移动客户端选择了普及率较高的Android智能手机作为应用的载体,并且通过对系统性能测试证明了系统的有效性。