语音是人机交互过程最自然,最符合用户需求的交互方式。亚马逊echo和谷歌home智能音箱可以通过语音控制家电。嵌入问答系统的电热水器更加智能,给用户带来极大的便利性和安全性。随着自然语言处理技术快速发展,智能问答系统再次成为自然语言处理领域的热点,问答系统综合运用自然语言理解、问句匹配,信息检索等技术理解用户意图并快速准确地予以应答。本文主要针对电热水器智能问答系统中的关键技术如主题分类、语句相似度计算等进行研究。针对电热水器的智能问答系统研究过程中主要存在有以下三个难点:（1）用户意图识别,即用户语句主题分类。用户与电热水器交互过程多使用短语句,省略较多导致主题特征缺失,传统机器学习算法适用长文本分类,无法针对短文本的主题特征进行有效提取,导致分类效果较差。（2）电热水器语料集中样本不均衡问题导致小类样本主题分类准确率较差。（3）应答匹配。由于用户语句的特征矩阵稀疏,且传统语句相似度计算方法忽略词与词之间的依赖关系和句子的深层语义,语句相似度计算误差大,导致应答匹配错误率较高。本文在电热水器智能问答系统研究中针对以上三个难点进行针对性研究,主要贡献和创新包括以下三点:（1）本文将卷积神经网络应用于用户语句主题分类,在电热水器语料集上获得98.42%的主题分类准确率。（2）针对电热水器语料集中存在的样本不均衡问题,引入SMOTE算法对小类样本进行语料合成,平衡语料集,使得主题分类准确率提高到99.25%。（3）本文将深度学习语言模型word2vec应用于语句的相似度计算,针对电热水器语料的主题特性提出基于词性权重的word2vec的用户语句相似度算法,提高语句相似度计算准确率。本文基于CNN的主题分类准确率达到99.25%,较传统方法提高11.58%,用户语句相似度计算较传统方法准确率提高10.84%。本文最后,分析了现有方法的局限性以及下一代电热水器智能问答系统的展望。