随着大数据时代的到来,大量信息涌入人们的生产生活,智能问答系统应运而生。如何有效地处理这些信息并针对人类提出的问题给出正确的答案开始成为热门的研究方向。近年来,旅游业的快速发展使得这类问题在旅游领域尤为突出。对于旅游问答系统来说,其回答效果一方面取决于知识库的质量,另一方面取决于用户问题意图的识别是否准确。目前旅游领域的知识库并不多,单一旅游网站上的信息不全面或者质量参差不齐,这就需要建立一套高质量的知识图谱,为后续问答奠定基础。关于意图识别,目前主要是基于模板或者规则实现的,这类方法人工成本太高,而且只能匹配特定形式的文本,不能很好的理解语义信息。因此,我们实现了一个意图识别方法并将它应用于基于旅游领域的智能问答系统。在本文中,我们提出了一个可以实现分布式部署的信息爬取框架,它能从一系列旅游网站中自动构建旅游知识图谱,还能提高信息爬取效率。在这个特定领域知识库的支持下,我们开发了一个旅游问答系统,还提出了一个意图识别方法BERT-Bayes Classify。该方法首先将Bidirectional Encoder Representations from Transformer（BERT）的结果与属性袋进行贝叶斯算法计算,然后通过一个soft-max全连接层得到最后的意图类别。最后,通过命名实体识别得到关键词集合,然后分别计算与意图类别的曼哈顿距离,将最近的关键词作为主语,意图类别作为谓语,在知识图谱里进行搜索,得到最后的答案。在真实数据集上的实验表明,相比其它系统,我们的意图识别算法在识别简单问句和复杂问句时的准确率都得到了提升,我们的系统在回答的流畅性和准确率方面也都有提升。我们证实了每个问答组件的有效性,包括查询意图识别和答案生成。本文做出的主要贡献如下:（1）本文提出了基于Java的分布式爬取信息的框架,可以部署到多台机器上,提高了爬取效率。基于该框架,我们构建了一套基于浙江旅游领域的知识图谱。（2）本文将BERT和朴素贝叶斯算法相结合应用到了意图识别的调试工作中,系统性的提出了一种新的意图识别方法,不仅融入了语义信息,还结合了严谨的数学公式,在一定程度上保证了分类效果。（3）本文提出将曼哈顿距离公式应用于答案生成,通过分词工具得到各个词语的信息,然后将词位信息考虑进去,提高了答案的准确率。