限于自然语言的复杂性,传统搜索引擎中基于关键词查询的方法,难以满足用户对确切问题搜索的需求;基于常用问题集的问答系统也无法解决开放域的问题,因此面向开放域问答系统的智能搜索成为研究热点。本文以面向开放域的问答系统为研究背景,通过有效的检索得到丰富的候选答案,对候选答案进行排序是问答系统的最后一步,也是关键一步,排序的结果将直接影响问答系统的好坏。本文主要关注根据问答对文本的语义关联性对候选答案排序。在这个任务上,传统机器学习方法依赖外部资源,需要从训练数据集中抽取特征来创建模型,费时费力,效果不佳。面对这个难题,本文研究深度学习的方法来完成这个任务。近几年,深度学习方法在自然语言处理的多个任务上取得突破,而应用到问答系统的答案排序任务中缺乏实际经验。因此本文以神经网络模型为研究点,设计和实现深度学习模型来匹配文本对,进一步改进模型以完成答案排序任务。本文的主要贡献如下:设计并实现了一种基于双向长短时记忆(BiLSTM)的深度学习模型用于答案排序任务。该模型采用的双向长短时记忆神经网络能增加文本序列的前后交互,紧接着的卷积神经网络层能卷积局部信息。输入的问题和答案分别通过组合的神经网络模型,得到问答对的中间向量表达。然后使用相似性矩阵关联问答对的中间向量并计算其距离。在TREC QA数据集上实验的结果证明在该任务上,本文构造的模型优于传统的机器学习方法,比之前已有的最佳神经网络模型也有提高。研究注意力机制在深度学习模型上的应用,设计并实现含有注意力机制的改进深度学习模型来处理答案排序任务。本文用含有注意力机制的长短时记忆神经网络层来处理答案的语句,加入问题的中间表达作为影响答案表达的权重,使答案保留更多与问题相关的表达。本文在两种含有BiLSTM网络的深度学习模型上加入注意力机制,并通过实验验证了注意力机制的有效性。综上所述,本文研究并实现了一种改进的深度学习模型用于答案排序任务,在公共数据集上测试了该模型的有效性,并解决了一些在实际问答系统中答案排序子模块的应用问题。