在移动互联网和大数据的背景下,智能辅导系统逐渐引起人们的注意,各种各样的智能辅导系统进入到人们的生活当中。而机器解答作为智能辅导系统的核心,它可以让机器理解和解答输入问题,从而有效提高教学质量,弥补教学资源的不足。机器自动解答的研究对推动机器智能发展和实现智能化教育有很大的意义。运动学问题的自动解答是一个很复杂的知识提取、表示、推理、计算的过程,它融合了数学、语言学、计算机科学等多个学科。由于缺乏对运动学问题的语言分析和理解的研究,研究一种高性能的算法来理解和解决运动学问题是非常有必要的,本文将运动学问题的求解分为理解和解答两个阶段。针对运动学问题的理解方法,将输入文本转化为关系三元组形式表示问题描述,首先采用pipeline架构来解决问题理解,然后提出了一种基于图注意力神经网络与Bi-LSTM网络的命名实体识别方法,最后提出了一种图注意力神经网络与SelfAttention机制的关系抽取方法,来抽取运动学问题中的实体关系对,为后面运动学问题求解打下基础。针对运动学问题的求解方法,将以三元组形式表示的已知条件转化为可读的分析过程与求解步骤,首先将运动学问题的特点与谓词逻辑推理结合,设计了解决运动学问题规则的存储模式,然后采用前向链推理方法来求解运动学问题。将要求解的问题看成推理目标,将物理知识与已知条件分别视为规则和已有事实,然后通过推理来求解最终的答案。最后用问题的三个理解水平来评估本系统的性能,在权威来源的运动学问题数据集上进行了验证实验。结果表明,该算法成功地解决了92.59%的运动学问题,高于基线算法。