知识库问答系统的目标是让机器理解用户提出的问题,然后利用知识库给出符合逻辑的精准答案。大规模知识库的存在给问答系统提供了方便快捷的查找问题答案的依据。深度学习理论的应用推广到不同领域,同样也促进了知识库问答系统领域的快速发展。目前,知识库问答系统关于答案生成的质量研究较多,缺少对答案生成语境信息的关注,存在信息利用不充分、情绪特征表达能力弱、模型融合机制缺失等问题。因此本文着重从以下几个方面展开了研究工作,并取得了一定的研究成果。本文利用深度学习框架,分别实现了神经网络、卷积神经网络(CNN)、循环神经网络(RNN)模型的学习算法,实现了知识库的简单问答任务,给出了实验测试数据,总结分析了不同模型的优缺点,指出神经网络模型的普适性较差;CNN和RNN模型容易过拟合;RNN模型含有全局与顺序的信息,适合做带情感特征的对话场景。提出了基于强化学习的对话生成模型。该模型建立在序列对序列框架下,通过建立奖励函数机制,利用梯度策略算法进行优化,提升了模型的答案生成效果。该模型减少了对话交谈过程中万能答案的产生几率,同时改善了对话的流畅度,有利于对话的持续交谈。提出了基于深度学习的情感分类与生成模型。该模型利用深度学习技术提取文本情绪特征,并将这个情绪特征作为监督信号加入到答案生成过程中;从对话交谈中学习情感转移的分布,并将这个情感分布特征作为监督信号加到译码器中,使得对话系统生成具有情绪特征的答案。对上述模型在多种数据集上进行了测试,实验结果符合预期设想,证明了论文所提出模型的有效性。