近年来,越来越多的疾病患者通过在线医疗网站、医疗APP向医生寻求医疗建议。目前线上诊疗的主要方式仍然是患者在网络平台向医生留言,医生浏览信息后给出建议。然而这种方式往往不具有时效性,达不到线上诊疗的期望效果。能够实时回复、回复质量高的智能问答系统不仅可以帮助患者得到更科学健康的医疗建议,更可以节约大量的医疗资源,这也日渐成为当前医疗工作的重点内容。鉴于此,本文在深入研究问答系统以及在线医患对话文本特点的基础上,从社区问答和知识图谱两方面出发,构建了一套面向短文本对话的医疗问答系统。本文主要工作如下:（1）基于特征融合思想,通过将文本上下文语义特征与主题特征相结合建立了LSTM&Topic-CNN模型。一方面,采用word2vec方法获得分布式词向量,并利用长短时记忆（LSTM）模型抽取文本语义特征。另一方面,鉴于隐含迪利克雷分布（LDA）模型的主题数难以确定这一情况,通过子样本集敏感性分析实验得到表现最优的若干主题数目,进而得到基于LDA的主题特征。为了避免不同主题模型下主题特征冗余现象,采用一维卷积神经网络（CNN）对联合主题特征做进一步特征过滤。最后,通过将文本语义特征与主题特征进行有机融合来对患者问题进行相似性分析。利用python软件从39问答网、有问必答网采集在线医患对话文本构建实验数据集。结合开源中文医学科目词表,运用常用药品字典映射方法进行文本预处理。在此基础上,通过二分类与多分类实验验证LSTM&Topic-CNN模型的有效性。结果表明,本文模型与其他机器学习模型（SVM,RF,RNN,LSTM）相比,具有较高的召回率、精确度和F1值,进而反映了该模型具有较好的文本表征效果,间接验证了基于此模型的问答系统的可行性及有效性。（2）基于知识图谱理论,本章提出了一种改进的意图识别方法,并将其应用于心血管疾病的智能问答系统中。从寻医问药网的心血管疾病模块爬取相关数据,利用neo4j图形数据库构建并存储心血管疾病知识图谱。在此基础上,通过实体抽取和意图识别两种方式解析患者问句。首先,结合常用药品词典,采用字符串匹配方法进行映射抽取患者问句的实体特征。其次,基于意图触发词及LSTM&Topic-CNN模型,从主观规则判断以及客观定量分析两个方面来识别患者问句意图。对于包含意图触发词的患者问句,通过主观规则直接得到患者意图。针对不包含意图触发词的问句,通过LSTM&Topic-CNN模型得到其相似问句后,根据主观规则判断得到患者意图。最后,基于实体抽取与意图识别的结果,在心血管知识图谱中的回复模板查询并得到最合适的回答。