自动问答系统要求机器在阅读由自然语言表述的问题之后给出问题的答案,可以用于衡量机器的智能程度。因此,对于自动问答系统的研究不管是在学术界还是工业界都受到了极大的关注。由于问答系统的知识源包含大量的文档,而这些文档由许多段落组成,因此段落排序技术是问答系统中重要的信息筛选工具,也是自动问答领域的关键性技术。近年来,随着深度学习方法的不断发展以及问答系统与机器阅读理解领域大规模基准数据集的发布,问答系统中的关键技术段落排序也获得了极大的发展。尽管取得了诸多成果,但仍然存在许多难点与挑战如:1)为单文档问答任务设计的抽取式框架应用于多文档问答时存在信息损失;2)当前用作答案单元的句子不能包含足够的信息、而文档则冗余信息过多;3)当前大部分多文档问答数据集中参考段落质量参差不齐,且缺乏相关性标注;4)当前大部分基于预训练语言模型的段落排序框架,由于预训练阶段所设置任务的特点,存在制约排序模型性能的问题。本文立足于面向问答系统的段落排序任务,针对上述挑战,从面向多文档问答的排序框架构建、段落作为答案文本的可行性、段落与问题相关性的度量标准、为基于预训练语言模型的排序框架有效引入段落自匹配注意力机制以及输入特征等方面展开了若干关键技术的研究。本文的主要工作与创新点总结如下:第一,针对多文档问答存在多个文档以及答案长度较长等特点,提出段落层次的文本片段适用于作为其问题的答案这一假设,同时给出了支持这一假设的证据。根据该假设,本文提出了结合神经阅读理解模型与Listwise排序函数的段落排序框架,该框架使用ROUGE-L作为段落质量的评价指标,在来源于真实网页查询场景的大规模数据集上的实验结果验证了该方法的有效性。第二,针对当前基于预训练语言模型的段落排序框架无法有效提取段落重要信息,从而有效区分相关段落与不相关段落的问题,提出了一个段落重排序模型。该模型采用段落自匹配注意力机制用于提取段落重要信息,同时引入问题类型作为输入特征。在段落重排基准数据集上的实验结果显示,该模型取得了该数据集上目前最好的性能。