问题生成（Question Generation, QG）是众多下游自然语言处理应用中的基础任务。近年来，针对开卷问题生成（open-book QG）的研究取得了显著进展，该任务通过向模型提供支持性的答案-上下文配对来辅助生成。然而，在缺乏此类支持文档的更贴近实际应用的闭卷设置下，生成自然流畅问题仍面临巨大挑战。为此，本文提出了一种面向闭卷设置的新颖QG模型，该模型通过对比学习（contrastive learning）与答案重构模块（answer reconstruction module），增强了对长篇摘要式答案语义的理解能力，并在模型参数中存储了更多信息。通过在公开数据集及新构建的WikiCQA数据集上的实验验证，结果表明，所提出的QG模型在自动评估与人工评估中均显著优于现有基线方法。此外，本文还展示了如何利用该模型改进现有的问答系统。实验结果进一步证明，该QG模型在提升闭卷问答任务性能方面具有显著有效性。