互联网技术的飞速发展给人们的日常生活带来了极大的便利,与此同时巨大的信息量使人们迷失在信息的海洋中,造成人们需要浪费较多的时间找到自己需要的信息。随着Web2.0的迅速发展,搜索引擎已经不能很好地解决用户提出的专业问题,并且用户不能得到比较好的交互式体验；近些年大批社区问答(CQA)系统应运而生,在某种程度上补充了搜索引擎的不足,满足不同领域的人们的需求。在社区问答系统中,人们提交自己的问题,等待其他人回答给予答案,可能需要花费若干天的时间,并且结果可能是不正确的、垃圾的或者带有攻击性的答案；或者在系统中检索与自己提出的问题比较相关的其他问题,从而得到相关的答案,但是社区问答网站中的历史问答库包含了有限的答案集合,用户需要变化问题表述来查找相近的问题,结果可能是大部分问题相关但都不是用户满意的答案。因此,一种能把问题推送给专家的研究是有必要的。首先,一些问题路由方法使用经典的信息检索方法,这些方法对含有大量的重叠词时有比较好的效果,但是大部分新问题和用户档案有较少的重叠词,因此无法得到令人满意的结果。本文提出了一种基于词向量的问题路由方法,根据问题的标签词能比较好的代表用户的主题这一特点,根据标签词从用户档案中抽取主题词,并使用神经网络模型训练大量数据得到词向量,使用主题词向量表示文档向量,计算用户档案和新问题之间的相似度,从而对新问题推荐相应的专家。并和多种方法进行比较,实验结果有所提升。其次,有监督的卷积神经网络模型,在句子分类中有较好的效果,利用此特点对用户提出的问题进行分类,预测问题的最佳回答者,为每个问题的候选回答者构建档案,档案是该用户历史给予最佳答案所对应的问题,其中分类模型中类别分别与候选回答者相对应,针对新问题预测每个用户是该问题最佳回答者的概率,根据概率大小排序,将问题推送给应的专家。实验结果表明,我们的方法比其他方法有明显提升。