近年来,我国高度重视农业信息化发展。我国葡萄种植面积大、产量高。葡萄病虫害的发生将直接影响葡萄的产量和品质。葡萄病虫害知识以书籍文献形式存在,葡萄种植人员无法快速获取到葡萄病虫害知识。为解决以上问题,帮助葡萄种植从业者高效准确地获取到有价值的信息,本研究利用知识图谱组织葡萄病虫害领域知识,利用深度学习模型理解自然语言问句语义信息,设计实现基于知识图谱的葡萄病虫害自动问答系统。因目前我国葡萄产业知识服务尚不完善,本研究对促进葡萄产业智能化发展有重要意义。主要研究内容及成果如下:（1）葡萄病虫害知识图谱构建方法研究。针对葡萄病虫害领域缺乏开源知识图谱数据,根据自顶向下和自底向上相结合的思想,构建了葡萄病虫害知识图谱概念模式。即自顶向下梳理葡萄病虫害领域模式,自底向上补充模式概念。针对知识图谱人工构建代价大的问题,提出了基于Bi LSTM-CRF的葡萄病虫害知识图谱数据层构建方法。该方法基于BIOES标注策略,采用Bi LSTM网络模型自动提取文本信息,采用CRF模型约束标签在句子层面的合理性,完成葡萄病虫害实体识别,根据标签类别抽取葡萄病虫害三元组数据。针对知识图谱数据存储问题,采用Neo4j图数据库存储与展示葡萄病虫害知识图谱。通过实验调节模型参数,与传统的HMM、CRF实体识别模型进行对比,命名实体识别方法在F1值上分别提高了7.86%、7.82%,达到了84.69%,葡萄病虫害三元组数据抽取精确率为89.87%。（2）基于知识图谱的葡萄病虫害自动问答方法设计。针对传统问答方法因分词结果不准确造成问句语义出现偏差的问题,设计了基于深度学习的葡萄病虫害自动问答方法。针对问句短文本包含特征较少、表达形式多样及葡萄病虫害领域特殊性问题,采用word2vec模型对葡萄病虫害文本进行字符级别特征向量表示,采用CNN模型提取问句特征,完成问句意图理解;针对问句实体识别问题,采用Bi LSTM-CRF模型识别问句候选实体,采用余弦相似度计算完成问句实体识别。针对答案查询问题,采用Cypher语句查询知识图谱。实验表明,问句意图自动理解方法的F1值达到了99.92%,问句实体识别召回率为77.86%,答案查询精确率为64.58%。（3）基于知识图谱的葡萄病虫害自动问答系统设计与实现。设计实现了基于知识图谱的葡萄病虫害自动问答系统。系统以葡萄病虫害知识图谱为数据基础,以Django为开发框架,采用深度学习模型实现葡萄病虫害实体识别和知识问答功能,节省用户获取信息的时间,促进了葡萄产业智能化发展。