互联网海量数据的可访问性和可用性极大地推动了信息获取技术的研究。但是,网络资源的不断膨胀,导致人们无法快速地获取所需信息。基于此,问答系统应运而生,在医疗、教育、商业、旅游业等领域得到了广泛应用。对用户查询问题的若干答案以排序的方式展示给用户,不仅能提高用户体验,也能促进问答系统的进一步发展。传统的答案排序只考虑单一的特征作为排序标准,或者对特征的权值设置不合理,导致答案排序性能不理想。为了解决这个问题,本文对问题和答案的初级特征和高级特征的提取展开深入研究,旨在从特征的角度考虑问题和答案之间的内在关联。然后,进行归一化与基于排序学习算法隐含的特征选择处理,消除特征之间的量级影响,减少冗余特征与噪声。以初级文本特征和高级文本特征为输入,通过ListWise型排序学习方法得到特征的权值,用于优化排序结果。目前,在计算问句这样的短文本相似度时,大多数以词频为基础,简单利用余弦法进行计算会制约运算的精度且存在维数灾难。本文针对上述问题,采用word2vec分布式词向量短文本表示方法,并将问答系统中涉及的相似度计算分为两类,一类是计算不同问题之间的相似度,即短文本相似度计算;另一类是计算给定问题与其所有候选答案的相似度。在词向量空间中引入EMD距离特征,计算文本中所有的词移动到另一文本对应的词需要的最小移动距离,使用融合多特征的混合策略来提高相似度计算的准确性。为了增强问答系统的模糊匹配能力,通过扩展问句关键词来提高相似问句的召回率。考虑到系统的准确度和效率,主要针对句子关键词中的名词和动词进行扩展。最后,通过系统的实现,对用户问题的候选答案进行相关度排序展示,验证了本文的相关改进方法在实践中是可行的。