面向领域的中文问题生成对于企业和学校进行教育培训与知识考核具有重要意义。通过领域专家进行手工出题的传统方法已经不能满足日益增长的教学培训需求。随着自然语言处理技术的发展,问题自动生成技术已经成为了研究热点,能极大地有助于教育培训的发展。同时,为了让生成的问题更具有领域针对性和领域重点,本论文提出了基于领域术语的中文问题自动生成技术,通过构建领域术语库来提高问题生成的质量。为了构建领域术语库,本文提出了两种领域术语抽取算法,基于依存句法分析的无监督方法和基于栅格长短期记忆网络(Lattice LSTM)的深度学习模型。前一种方法通过利用依存句法结构和领域术语的语法特点进行初步抽取,再经过语言规则和自定义的多因素评估模块进行过滤筛选来获得最终的术语列表,抽取效果较传统的无监督方法得到了提高。基于Lattice LSTM的深度学习模型能更好地抓住文本中字词的语义信息,并通过增加标签注意力层(Label Attention Network,LAN)使网络结构更关注领域术语的特征。实验验证了这一方法在领域术语抽取任务中比已有深度学习方法呈现出更好的效果。为了更好地提取领域文本中重要的句子,使之后生成的问题题干更具有代表性和重要性,本文提出了一种基于依存句法信息的卷积神经网络的关键句提取方法。先改进了Text Rank算法,进行初步的句子筛选,再通过训练好的利用依存信息的卷积神经网络建立句子的重要程度分类模型。实验结果表明该模型在关键句抽取任务中具有较好的性能。基于上述算法提供的领域术语库和文本句子,本文研究了基于领域术语的多类型问题生成方法。针对不同题型设计了不同的出题策略,尤其是选择题的生成,提出了多种干扰项的生成方式,从而提高问题质量并增加问题的多样性。人工评估表明,本文提出的问题生成方法所生成的大部分问题在语法语义的准确性上达到了要求,同时具有较高质量和多样性。最后,为了更好地实现自动出题功能,本文设计并开发了集领域中文自动出题与自动组卷功能于一体的软件,该软件可以充分满足用户的使用需求。