随着互联网的普及和移动应用的快速发展,人们越来越习惯于在网络上获取信息。传统的医疗问诊需要人们去医院挂号进行诊断,随着网络技术的发展,越来越多的医院推出了在线问诊功能。人们渐渐习惯于去搜索引擎或者专门的问答网站,去搜索或提问相关症状,并从专业医生的回答中获得参考。但是专业医生资源有限,而绝大多数医疗问题集中在类如感冒发烧等常见疾病上,这些常见医疗问题已有的回答非常具有参考意义。如何通过分析已有的医疗问答数据来对患者提出的问题做出一个快速反馈以供参考是一个关键问题。预训练语言模型BERT的提出,刷新了自然语言处理领域许多任务的性能记录。然而,由于BERT是在海量语料的基础上学习到特征表示,在具体领域上的效果还可以进一步提升,因此尝试适应领域的继续预训练方法具有实际意义。本文针对上述问题,将预训练语言模型尝试应用在自动问答系统当中,利用领域语料对模型进行继续预训练,并提出扩充句向量表示的BERT-CBOW模型,以提高问答准确率。本文具体工作和创新点如下:（1）提出一种基于预训练语言模型的文本相似度计算方法,并以此实现检索式自动问答。利用医疗领域的问答语料对BERT模型进行继续预训练,进一步提高模型在领域问答中的准确度表现。（2）提出BERT-CBOW模型。BERT表示的句向量虽然可以在相似语句中获得比较高的相似度值,但是相似语句的匹配正确率还可以进一步提升。本文利用CBOW模型扩充了BERT的句向量表示使之成为一个新的句向量。实验结果表明,BERT-CBOW模型在本文的测试集中top-k精度相比基线模型和继续预训练后的模型均有所提高。（3）设计并开发了包含服务器、网页端和移动端的线上医疗自动问答应用系统,解决医疗领域的实际问答问题,为提问者提供相关的参考。本文在医疗领域的自动问答研究基础上,利用抓取的18万条医疗问答数据集构建了问答检索库,后端采用Django框架,网页利用Vue,移动端借助Java,分别实现了后台服务器,前端问答网页和安卓医疗问答APP的编写,并已上线运行。