近些年来,知识产权保护越来越受到世界各国的重视。专利作为知识产权的一种重要形式,数量在逐年增加。为了更好地使用数量愈加庞大的专利,首先需要理解专利的问题。专利的问题包括两个方面,即专利文本中的问题句和专利问答中对专利的提问。专利作为一种复杂的科技文本,是围绕问题句进行展开的。因为问题句描述了专利所要解决的问题,所以识别问题句是专利问题理解的关键。目前,通过计算机识别专利中的问题句面临着专利问题句相关的训练数据集稀缺和无法准确地理解并识别问题句这两个挑战。专利文本中,问题句主要存在于“背景技术”段落中,因此将该段落进行分句从而获得候选问题句（候选问题句包含问题句和非问题句）,候选问题句可作为训练数据集。此外,本文提出基于图卷积神经网络的专利问题识别模型。该模型从每一个候选问题句中提取两组特征,即,提取句子中标志着问题句的转折连词和有情感色彩的副词、形容词、动词这三种词性的词做为一组特征;根据专利文本结构上的特点,提取句子与专利权利要求之间关联信息特征做为另一组特征。除了理解专利文本中的问题句外,理解对专利的提问则是专利问题理解领域中所面临的另一个问题。因为人们通常不但想知道一篇专利解决了什么问题,还希望知道个人的需求在专利文本中是如何被解决的,这就需要专利领域的问答模型。专利问答模型的研究目前面临着公开数据集稀缺;针对专利文本提问文本通常为长文本不易交互;专利文本涉及的领域广泛,词语差别大,无法准确编码这三个问题。为了解决数据集稀缺的问题,本文参考了应用广泛的多轮问答公开数据集Co QA,构造专利领域的多轮问答数据集。对每一篇专利,设计五轮问答,构成专利问答数据集。此外本文提出了基于注意力机制的专利问答模型,该模型通过组合使用注意力机制与门控循环单元,保留提问和专利文本中远距离词语间信息的同时,又不会丢失位置信息和上下文信息,从而克服不易交互的问题;通过预训练模型BERT对进行词语编码,同时通过词级注意力机制微调词向量,从而克服无法准确编码的挑战。在专利数据集上,本文将提出的基于图卷积神经网络的专利问题识别模型和基于注意力机制的专利问答模型与对比模型进行对比,实验结果表明本文提出的模型优于对比模型。