传统搜索引擎是用户检索信息的重要渠道,用户输入问题返回网页集合,需要用户自己快速浏览网页定位到答案的具体位置,整个过程费时费力。基于自然语言处理技术的问答系统是传统搜索引擎的重要改进方向,能够快速获取答案,节省用户时间。和基于知识图谱等结构化问答系统相比,非结构化文本数据规模庞大且较易获取。目前开放式的基于非结构化文本的问答系统技术发展还不够成熟,专业领域的问答系统较少,因此基于限定域非结构化文本的问答系统逐渐成为了研究热点。但目前的研究工作仍然有很多问题:1)问句和非结构化文本间的文档长度严重不匹配导致答案检索效率低下且准确度不高;2)在答案抽取领域,目前主流baseline模型的编码层和交互层都存在一定的问题,有较大的提升空间。因此,本文基于限定域非结构化文本的问答系统,提出了答案文档检索和答案抽取的算法优化,并在分析化学领域,融合提出的算法,设计一个基于分析化学数据的非结构化文本问答系统,在实际应用场景中验证两种算法的优化作用。主要研究内容有:（1）针对答案检索时,语料文本长度过长,导致问句很难匹配到长度合适的答案,为了解决该问题,本文提出了基于Glove词向量模型结合SVM的文本分类算法,对较长文本进行分类,选择出较为贴近真实语义的答案句文档,然后对文档进行相似度计算并排序。在TREC-QA公开数据集上进行实验相较于优化前性能提升明显;（2）针对当前主流baseline模型基于语义的编码信息交互非常困难的问题,本文使用Bi-LSTM替换LSTM的编码层,匹配特征融合层使用Attention机制改进,并引入BERT预训练向量,分别进行模型的改进实验,在公开中文机器阅读理解数据集Du Reader上和baseline模型进行测试对比,模型性能得到了提高;（3）在分析化学专业领域,本文融合提出的算法,实现一个基于分析化学领域数据的非结构化文本问答系统,验证了本文提出的两种优化算法在实际应用场景上的优化作用,实验结果表明效果得到了提升。