随着百度知道、Yahoo!和Quora等开放领域问答系统的快速发展,大量的问答数据日渐积累,如何高效地重用现有的问答资源以服务大量用户是现今问答系统亟需解决的问题。自动问答是自然语言处理中增长最快且极具挑战性的任务之一,旨在构建能够自动回答用户以自由文本提出的问题。对于问答系统,问题目标分类是一个至关重要的步骤,旨在根据预期的答案类型准确地对提出的问题进行分类,从而对给出的候选答案进行语义约束。并且,问题目标分类的准确性很大程度上直接影响了问答系统返回正确答案的性能。国内外对问题理解和分类研究上已有大量的前期工作,英文问题的研究较中文而言相对成熟,并有公开的数据集可供实验研究。中文由于自身语言的特点,句法结构复杂,网络文本一般不符合常规的语法规则,因此如何有效地分析问题文本和理解文本的潜在意图成为了中文文本分类的难点。此外,现有的问题理解和分类方法大多面向单一语言,对于多语言的问题理解和分类框架较少。因此,本文旨在对中英文问题理解和分类方法进行一个系统的调研,分析中英文问题目标识别和分类方法的特点及不同之处,并提出了一个融合中英文问题目标识别和问题目标特征扩展的双语问题目标识别与分类框架(Bilingual Question Target Identification and Classification Framework,Bi-QTFrame),以更好地服务问答系统、人机对话系统和Web问答网站等。本文提出的分类框架主要包括问题分析模块、问题目标特征扩展模块和问题目标分类模块。针对现有研究存在的问题和难点,本文的主要工作如下:1)通过分析中英文问题的依存句法结构,根据中英文问题在语义依存关系上的差别,总结了识别和抽取问题目标的依存关系,从而提出了一个基于依存关系的问题目标词自动识别方法。2)根据中英文问题文本的特点,提出了一个精简且有效的问题目标特征,包括基本特征和抽象特征。问题的基本特征是保留问句本身的基本信息和独特性,如中文的字特征,英文的N-gram特征以及问题目标词。问题的抽象特征是相同类别中不同问题间的共同特征,能够体现某类问题的上层语义信息,查询意图和提问方式的信息。特征的抽象层面越高,存在猜测的可能性则越少,则越利于分类。针对问题简短而缺乏上下文信息,同时存在特征稀疏的问题,本文提出了语义上位概念特征对问题目标词进行上位概念的语义信息扩展,强化问题答案类型的语义约束。对不存在问题目标词但提问方式具有一定规律的问题,本文提出了简要句法结构特征,以更好地保留问题在不同类别提问方式的特点。3)本文提出的问题目标识别与分类框架、问题目标词自动抽取方法以及问题目标特征自动扩展方法,通过在中英文这两种不同的语言上进行实验,验证了提出框架和方法在中英文问题目标分类任务上的适用性和有效性。在中文人机对话技术评测、UIUC和TREC 10等公开数据集上,所提方法在中文问题目标分类上达到了94.8%的F1值,在英文问题目标分类上取得了87.2%的精度,优于现有的基线方法,验证了提出框架在问题目标分类任务上的有效性,为以后多语言的问题目标识别与分类研究奠定基础。