知识库是一种计算机系统存储复杂的结构化和非结构化信息的技术。现实生活中大量的知识被存储在结构化的知识库中,如知识图谱和表格数据库。语义解析是一项将自然语言的表述映射为逻辑形式（如SQL查询）的任务。对自然语言问句进行精准、深入的语义解析,是提升知识库问答准确率的有效途径。语义解析技术有两种形式。一种是将自然语言问句与逻辑语句中的信息进行语义匹配,并选择匹配度最高的结果作为答案的抽取式方法。另一种是将自然语言问句转换成某种显式的结构化语句,并执行该语句直接获得答案的生成式方法。本文针对图谱和表格两类知识库,结合各自的特点,分别探索了两种形式的语义解析方法。首先,针对知识图谱问答任务,由于知识图谱规模庞大,导致查询语句语句搜索空间非常大。基于抽取式方法,我们比较了两种路径剪枝的方法,并引入了一种更有效的训练方法。进而,针对表格问答任务,针对新提出的汉语数据集DuSQL,我们对当时最先进的面向英文数据集的生成式方法模型进行了拓展。最后,面对语义解析任务中标注数据稀疏的问题,我们提出了一种层次化的数据增广方法。本文的研究内容如下:（1）面向汉语图谱知识库问答的抽取式语义解析给定自然语言问句,知识图谱问答的目标是根据知识图谱中大量的三元组知识,生成包含三元组信息的查询语句并检索答案。简单问句通常利用一个三元组知识即可回答,而复杂问句通常需要利用多个三元组构成的路径信息。我们针对基于间接匹配的语义解析方法,即通过匹配问句信息和候选路径获取答案,做了三点尝试:首先针对知识图谱规模庞大、复杂问句对应候选路径数量爆炸的问题,我们比较了两种路径剪枝的方法,即基于分类的方法和基于集束搜索的方法。第二,我们引入一种负例动态采样的方法训练语义匹配模型,缓解了测试集中存在大量未见的实体和关系的问题,提高了模型性能。最后,我们设计了多个特征对使用不同路径剪枝方法的系统进行融合,进一步提升了整个知识图谱问答系统的性能。（2）面向汉语表格知识库问答的生成式语义解析表格是另一种知识结构化存储的形式,若干个相互关联的表格通常被存储在关系型数据库当中。面向表格知识库问答的语义解析将问句转化为包含表格结构的SQL语句。前人的工作大多关注英文数据集。本文面向新构建的汉语表格问答数据集DuSQL,对当时最先进的IRNet方法进行拓展,提出了 IRNetExt方法,以适应其特有的计算类问题,并支持值预测。实验结果表明,IRNetExt显著提升了计算类和值预测问题的语义解析性能。（3）面向汉语表格知识库问答语义解析的数据增广语义解析数据集的标注难度大、成本高,普遍存在着标注数据稀疏的问题。我们针对表格问答任务提出了一种简单有效的基于层次化问句生成的数据增广框架,以解决测试集数据库与训练集数据库不同带来的跨领域问题。首先,给定目标数据库,基于抽象语法树生成SQL语句。进而,不是通过Seq2Seq方法直接将SQL语句翻译成自然语言问句,而是采取先将SQL子句翻译成自然语言子句然后再组合的方式,产生更高质量的问句。我们在三个中英文数据集上进行了实验。结果表明,基于层次化问句生成的数据增广方法更加有效地提升了基准模型的性能;同时,对增广数据进行采样的训练策略比直接混合和预训练语义解析模型的训练策略更加有效。综上所述,我们对面向汉语结构化知识库问答的语义解析进行了较深入的研究,涵盖了知识图谱问答的抽取式方法和表格问答中文本到SQL语句的生成式方法。我们衷心希望本文的工作可以对未来的知识库问答研究有所帮助。