慢病因起病隐匿、病程长、并发症多已成为医疗领域的重灾区,为大众普及慢病知识对慢病防控、减轻社会医疗负担起着积极作用。知识图谱因可以有效表示客观世界中各种事物的联系被广泛使用。基于知识图谱的问答系统在理解用户意图的基础上提供简洁、准确的答案。论文针对知识图谱构建和问句解析技术进行深入研究,旨在构建一个慢病知识图谱,并在此基础上实现智能问答。论文主要研究内容如下。（1）基于自顶向下的慢病知识图谱构建。以适合行业知识图谱构建的自顶向下方法完成慢病知识图谱构建。分析网页数据后,定义知识图谱概念层。设计基于拼接URL的网络爬虫获取初始数据。通过数据清洗得到格式化数据,并存储到Neo4j图数据库,成功构建了一个包含2411种慢病的知识图谱。（2）基于字词联合的BiLSTM-CRF命名实体识别模型研究。针对字向量语义信息表示不足和词向量会忽略词内字的语义信息问题,提出字词联合的向量表示优化方法,同时利用模型BiLSTM和CRF实现上下文特征学习和标签约束。最终提出基于字词联合的BiLSTM-CRF问句医疗实体识别模型。模型训练过程中,针对医疗问句标注语料缺乏的问题,设计基于规则的自动标注语料生成器。实验结果表明论文识别模型较常用识别模型性能有很大改善,获得了90.08%的准确率和88.95%的召回率。（3）基于text CNN的问句分类模型参数设计。论文采用模板匹配方式实现问答,模板匹配是将解析后的问句转换为Cypher数据库查询语言,并根据问句分类结果对答案进行自然语言包装,问句精准分类是问答成功的关键。针对问句多分类问题,论文以文本分类模型text CNN为基准模型,对模型主要参数filter＿size进行优化实现问句分类。实验结果表明filter＿size为（3,4,5）时,模型性能较好,测试数据在此参数下整体分类准确率大于80%,部分达到90%以上。（4）基于Flask的智能问答原型系统实现。为验证论文问句解析技术的有效性,使用Flask框架搭建了智能问答原型系统,并使用300条慢病问句对系统核心问答功能进行测试,测试准确率达到96%,充分证明了论文整体问句解析技术的有效性和系统设计的可行性。