近年来,互联网的快速发展使存储在网络空间中的信息数量呈现了爆炸增长的趋势。这些信息中包含着丰富的人们感兴趣的知识,可以用来回答人们的日常问题。基于互联网信息的问答系统将互联网上的信息作为原始知识库,通过各类问答模型,可以自动为用户问题提供答案,得到了越来越多学术界和工业界的关注,并被应用于人工客服、语音助手等多类工业场景中。传统的问答系统通过语法或句法结构,依靠专家设计的规则,使用组合或映射方法为用户问题提供回答。但是,这些方法难以拓展到新领域,而且存在不能泛化等问题。近几年,深度学习已经被用于许多自然语言处理任务,包括问答系统,并且取得了良好效果。现有的基于深度学习的问答系统往往只基于单一的信息类型,如表格或文本。然而,在实际场景中,为了回答人们的问题,系统往往需要联合两种类型的信息进行多次推理,从而找到相关知识回答用户问题。根据现有的研究难点,本文选择基于表格及文本的联合问答方法作为研究内容。根据已有的方法分析,现阶段的联合表格和文本的问答推理有以下几个问题:（1）已有模型基于TF-IDF以及子字符匹配等浅层语义特征筛选与用户问题内容相关的文档及表格,忽略了用户问题与表格及文档的深层语义相似性。（2）表格中相同行或列的内容往往隐含着时序、排列等重要关系,而已有模型基于单纯的文本信息对用户问题进行推理,忽略了表格的空间信息。（3）用户问题包含多种问答类型,如二选一、三选一、比较大小及生成问答等类型。已有的问答模型使用的基于语义匹配的阅读理解方法对各类问题的表现不一。针对以上问题,本文提出一种基于空间信息的表格文本联合问答方法,研究内容包括:（1）提出引入Poly-Encoder作为文本相似度匹配的基模型,通过捕捉用户问题的多维度细粒度特征,实现对相关表格、文本的深层语义相似度匹配,获得最优的上下文信息。（2）提出结合空间信息的注意力机制,结合图网络将空间信息与表格及文本信息进行融合,帮助模型进行表格和文本的联合推理。（3）针对不同类型用户问题提出级联式的阅读理解模型,通过对不同类型问题分流后设计相对应的预测方法,实现对不同类型问答的准确输出。（4）相比于基准模型,本文设计的模型在Hybrid QA上得到了2%的效果提升。充分的定量和定性实验证明了本文提出的空间信息的表格文本联合问答方法的优越性。